Bu çalışma, sekiz vagonlu bir yüksek hızlı elektrikli trenin pnömatik sisteminde hortum bağlantısının ayrılmasıyla oluşan hava kaçağını; yalnızca 1., 3., 6. ve 8. araçlardaki dört ana depo basınç sensörünü kullanarak tespit etmeyi, arızalı aracı belirlemeyi ve arızalı pnömatik ekipmanı sınıflandırmayı incelemektedir. Araştırmada AMESim ile oluşturulan ve sınırlı gerçek zemin testleriyle kalibre edilen tren düzeyi pnömatik modelden üretilmiş veriler, fiziksel basınç düşüşü özelliği ve araç–ekipman yerleşim kısıtlarıyla desteklenen çok görevli 1D-CNN–LSTM ağına verilmiştir. Tam A3_PM modeli; kaçak, araç ve ekipman görevlerinde sırasıyla %99,85 ± %0,01, %95,73 ± %0,41 ve %92,12 ± %1,24 doğruluk bildirmiştir. Bununla birlikte ekipman sonucu gerçek araç etiketinin modele koşul olarak verildiği bir değerlendirmeye, veri kümesi ise ağırlıklı olarak benzetimle üretilmiş basınç dizilerine dayanmaktadır.

Yöntemin ilk katmanı, dört sensörden gelen basınç sinyallerindeki kısa süreli yerel değişimleri bir boyutlu evrişimli sinir ağıyla çıkarmaktadır. Ardından uzun-kısa süreli bellek ağı ve zamansal dikkat mekanizması, basıncın zaman boyunca nasıl düştüğünü, dengelendiğini veya kompresör etkisiyle yeniden yükseldiğini modellemektedir. Aynı pencerenin başlangıç ve bitiş basınçları arasındaki değişim ayrıca fiziksel bir basınç düşüş hızı özelliğine dönüştürülmekte ve öğrenilen zaman serisi temsiliyle birleştirilmektedir.

Model üç ayrı çıktı üretmektedir: kaçak var veya yok, arızalı araç 1–8 arasında hangisi ve arızalı ekipman sekiz sınıftan hangisidir. Ekipman sınıfları kuplör, kapı, ön kapak, korna, pantograf, kumlama cihazı, tuvalet ve tekerlek yüzeyi temizleyicisidir. Çalışmanın araç–ekipman sert maskesi, belirli bir araçta fiziksel olarak bulunmayan ekipmanların olasılığını sıfıra indirmektedir. Örneğin korna yalnızca uç araçlarda, pantograf ise yalnızca 3. ve 6. araçlarda bulunduğu için gerçek araç bilgisi verildiğinde pantograf arızasının korna olarak raporlanması engellenmektedir.

Araştırmanın güçlü tarafı, üst üste binen zaman pencerelerini aynı özgün dosya grubu içinde tutarak eğitim ve test kümeleri arasındaki doğrudan veri sızıntısını azaltmasıdır. Üç farklı rastgele başlangıçla yapılan deneylerde ortalama ve standart sapmaların raporlanması da tek bir başarılı eğitim çalıştırmasına dayalı sonuç sunulmasını önlemektedir. Buna karşılık gerçek tren verisinin kapsamı sınırlı, veri ve kod kamuya kapalı, dış bir tren setinde doğrulama yok ve gerçek sensörlerin 1 Hz örnekleme hızına karşı eğitim verilerinin 10 Hz olarak üretilmesinin saha performansına etkisi değerlendirilmemiştir.

Türkiye açısından önemi

Türkiye’de işletilen veya geliştirilen yüksek hızlı elektrikli tren setlerinde pnömatik sistemler; frenleme, kapılar, pantograf, havalı süspansiyon ve çeşitli yardımcı ekipmanlar için kritik öneme sahiptir. Çalışmanın yaklaşımı, her pnömatik dala ayrı sensör yerleştirmek yerine sınırlı sayıdaki ana basınç sensöründen bütün tren boyunca yayılan basınç değişimlerini yorumlayan bir bakım karar destek sistemi geliştirilmesine yöntemsel temel sağlayabilir.

Türkiye’ye uyarlanacak bir sistemde ilgili tren setinin gerçek boru topolojisi, depo hacimleri, kompresör kontrol mantığı, hortum ve valf özellikleri, sensör çözünürlüğü ve ekipman yerleşimi yeniden modellenmelidir. Farklı mevsimler, irtifa, sıcaklık, araç yaşı, bakım durumu, normal hava tüketimi ve yolculuk sırasında oluşan kontrol hareketleriyle uzun süreli veri toplanmalıdır. Model çıktısı, bağımsız saha doğrulaması ve emniyet analizi tamamlanmadan otomatik tren durdurma veya kritik bakım kararı için kullanılmamalıdır.

Araştırmanın temel sorusu nedir?

Araştırmanın temel sorusu, tren boyunca yalnız dört noktada ölçülen ana depo basıncının, yerel sensörü bulunmayan çok sayıda pnömatik ekipmandaki hortum ayrılması kaçağını ne kadar ayrıntılı biçimde gösterebileceğidir. Çalışma yalnızca “kaçak var mı?” sorusuna cevap aramamaktadır. Aynı basınç penceresinden:

• Kaçağın bulunup bulunmadığı,
• Kaçağın sekiz araçtan hangisinde oluştuğu,
• Kaçağın sekiz ekipman kategorisinden hangisiyle ilişkili olduğu

birlikte tahmin edilmektedir.

Problem neden zordur?

Yerel bir hortum ayrılması, ana depo borusu üzerinden bütün trenin basınç dengesini etkileyebilir. Bu nedenle farklı araç ve ekipmanlarda oluşan kaçaklar dört sensörde birbirine benzeyen genel basınç düşüşleri oluşturabilir. Ayrımı zorlaştıran başlıca koşullar şunlardır:

• Basınç sensörleri yalnızca 1., 3., 6. ve 8. araçlarda bulunmaktadır.
• Kapı, tuvalet, kumlama sistemi ve temizleyici gibi ekipmanların yerel basınç sensörleri yoktur.
• Basınç cevabı başlangıç basıncına, kaçak konumuna ve ekipman dalına göre değişmektedir.
• Normal hava tüketimi ve kompresör kontrolü de basınç eğimini değiştirebilir.
• Arıza örnekleri normal örneklerden ve ekipman sınıfları birbirinden sayısal olarak farklıdır.
• Araç ve ekipman etiketleri bağımsız değildir; bazı ekipmanlar yalnız belirli araçlarda bulunur.

Bu nedenle basit bir basınç eşiği kaçağın oluştuğunu gösterebilse bile arızanın hangi araç ve ekipmandan kaynaklandığını güvenilir biçimde açıklamayabilir.

İncelenen pnömatik sistem nasıl yapılandırılmıştır?

Çalışmada sekiz araçlı bir elektrikli çoklu birimin tren boyunca uzanan ana depo borusu modellenmiştir. Ana boru; fren sistemi, hava besleme kontrol modülü, ana ve yardımcı depolar, havalı süspansiyon, iklimlendirme ve havalandırma, pantograf, kapılar, tuvalet, kuplör, ön kapak, korna, tekerlek yüzeyi temizleyicisi ve kumlama sistemi gibi dallara basınçlı hava sağlamaktadır.

Sistem şeması, tek bir yerel hortum ayrılmasının yalnız arızalı dala değil, ana boru üzerinden başka araçlardaki basınç sensörlerine de yayılan bir dinamik tepki oluşturduğunu göstermektedir. Bu yayılım, arızanın konumuna ilişkin bilgi taşısa da sinyalin doğrudan okunmasını zorlaştıran güçlü bir sistem bağlaşımı meydana getirmektedir.

Araç–ekipman yerleşim ilişkisi

Bu tablo, modelin çıktı uzayında kullanılabilecek açık bir mühendislik kuralı oluşturmaktadır. Örneğin 4. araç için pantograf, kuplör veya korna tahmini fiziksel olarak geçersizdir.

Çok görevli problem nasıl tanımlanmıştır?

Dört basınç sensöründen aynı anda alınan ölçümler aşağıdaki vektörle temsil edilmektedir:

\[ \mathbf{p}(t)=[p_1(t),p_2(t),\ldots,p_C(t)]^T \]

Burada \(C=4\), sensör kanalı sayısıdır. Kanallar 1., 3., 6. ve 8. araçlardaki ana depo basınçlarını temsil etmektedir. Her öğrenme örneği, \(T\) zaman adımı içeren dört kanallı pencere biçimindedir:

\[ \mathbf{X}_i= [\mathbf{p}(t_i),\mathbf{p}(t_i+1),\ldots, \mathbf{p}(t_i+T-1)] \in\mathbb{R}^{C\times T} \]

\(\mathbf{X}_i\), modelin tek bir örnek için gördüğü basınç zaman dizisidir. Her satır bir sensörü, her sütun ise pencere içindeki bir örnekleme anını gösterir.

Her pencereye üç etiket atanmıştır:

\[ \mathbf{y}_i= \left( y_i^{\mathrm{leak}}, y_i^{\mathrm{car}}, y_i^{\mathrm{dev}} \right) \]

• \(y_i^{\mathrm{leak}}\): kaçak yok veya kaçak var etiketi,
• \(y_i^{\mathrm{car}}\): 1–8 arasındaki arızalı araç,
• \(y_i^{\mathrm{dev}}\): sekiz ekipman kategorisinden biri.

Araç ve ekipman tahminlerinin fiziksel olarak anlamlı olması için bir uygunluk matrisi tanımlanmıştır:

\[ M_{c,d}= \begin{cases} 1, & d\text{ ekipmanı }c\text{ aracında bulunuyorsa}\\ 0, & d\text{ ekipmanı }c\text{ aracında bulunmuyorsa} \end{cases} \]

Geçerli bir araç–ekipman tahmini için:

\[ M_{\hat{y}^{\mathrm{car}},\hat{y}^{\mathrm{dev}}}=1 \]

olmalıdır. Bu ilişki, yapay zekâ çıktısının trenin gerçek donanım yerleşimiyle çelişmesini engellemek amacıyla kullanılmaktadır.

Gerçek deney ve AMESim modeli nasıl birleştirilmiştir?

Bütün araç–ekipman kaçak kombinasyonlarını gerçek tren üzerinde bilinçli olarak oluşturmak güvenlik, zaman ve maliyet açısından uygun olmadığı için simülasyon destekli veri üretimi uygulanmıştır. Önce sınırlı sayıda zemin testiyle hortum ayrılması sonrasında oluşan basınç tepkileri ölçülmüştür. Daha sonra trenin boruları, depoları, hava besleme birimleri ve ekipman dalları AMESim ortamında modellenmiş ve ölçülen eğrilere göre kalibre edilmiştir.

Gerçek ve benzetilmiş basınç eğrilerinin karşılaştırıldığı grafikte:

• Mavi sürekli çizgiler deneysel ölçümü,
• Kırmızı kesikli çizgiler simülasyon sonucunu,
• Dört ayrı panel 1., 3., 6. ve 8. araç sensörlerini,
• Yatay eksen zamanı saniye,
• Düşey eksen ana boru basıncını kilopaskal cinsinden

göstermektedir.

Yaklaşık 950 kPa düzeyinden başlayan basınç düşüşleri, düşük basınçta yataylaşma, kompresörle yeniden yaklaşık 940–950 kPa düzeyine yükselme ve ikinci düşüş süreci bakımından deney ve simülasyon çizgileri birbirine yakın ilerlemektedir. Dört kanalın ortalama belirleme katsayısı:

\[ R^2=0{,}9923 \]

olarak bildirilmiştir. Bu değer baskın basınç eğilimlerinin benzetimde iyi yeniden üretildiğini göstermektedir. Bununla birlikte kanal başına \(R^2\), RMSE veya MAE değerleri verilmemiştir. Yüksek genel \(R^2\), ekipmanları birbirinden ayıran küçük ve kısa süreli geçişlerin aynı doğrulukla üretildiğini tek başına kanıtlamaz.

Simülasyon verileri nasıl çeşitlendirilmiştir?

Kalibre edilen modelde kaçak 10. saniyede enjekte edilmiş ve farklı araç–ekipman kombinasyonları için dört sensörün basınç cevabı üretilmiştir. Çeşitliliği artırmak amacıyla:

• Başlangıç basıncını temsil eden düşey eğri kaydırmaları,
• Farklı yoğunluklarda ölçüm gürültüsü,
• Başka hava tüketim olaylarını taklit eden kısa süreli yerel eğim değişimleri

eklenmiştir. Araştırmacılar bu artırmaların gerçek tren doğrulamasının yerine geçmediğini, yalnız kontrollü koşullarda olası basınç yanıtlarının kapsamını genişlettiğini açıkça belirtmektedir.

Zaman pencereleri nasıl oluşturulmuştur?

Simülasyon verileri 10 Hz örnekleme hızında işlenmiştir. Pencere uzunluğu 100 örnek, kaydırma adımı 50 örnektir:

Pencerenin son örnekleme anı kaçak enjeksiyon zamanını geçiyorsa örnek “kaçak” olarak etiketlenmiştir. Bu yaklaşım geçiş anını içeren pencerelerin kaçak sınıfına alınmasını sağlar. Ancak pencerenin bir kısmı arıza öncesi, bir kısmı arıza sonrası olabilir; bu nedenle etiket arızanın pencerenin tamamında etkin olduğunu göstermez.

Veri sızıntısı nasıl önlenmeye çalışılmıştır?

Aynı basınç dosyasından üretilen komşu pencereler büyük ölçüde örtüştüğü için pencere düzeyinde rastgele bölme yapılmamıştır. Özgün kaynak dosyaları grup olarak tutulmuş ve dosyalar:

• %70 eğitim,
• %15 doğrulama,
• %15 test

kümelerine ayrılmıştır. Böylece aynı dosyanın birbirine çok benzeyen pencerelerinin hem eğitim hem test kümesinde bulunması engellenmiştir.

Bununla birlikte çalışmada toplam özgün dosya sayısı, dosya başına pencere sayısı, ekipman başına dosya dağılımı ve aynı temel senaryodan türetilen artırılmış dosyaların tek grupta tutulup tutulmadığı açıklanmamıştır. Dosya düzeyindeki bölme doğrudan pencere sızıntısını azaltmaktadır; ancak aynı simülasyon senaryosunun farklı artırılmış sürümleri kümeler arasında bulunuyorsa senaryo benzerliği devam edebilir.

Sınıf dengesizliği nasıl ele alınmıştır?

Araç ve ekipman sınıfları eşit sayıda örnek içermediği için etkili örnek sayısına dayalı sınıf ağırlıkları kullanılmıştır:

\[ E_k=\frac{1-\beta^{n_k}}{1-\beta} \]

Burada \(n_k\), \(k\) sınıfındaki eğitim örneği sayısı; \(\beta\), büyük sınıfların ağırlığını yumuşatan parametredir. Sınıf ağırlığı:

\[ w_k= \frac{1/E_k} {\frac{1}{K}\sum_{j=1}^{K}1/E_j} \]

olarak hesaplanmış ve bütün sınıfların ortalama ağırlığı 1 olacak biçimde normalize edilmiştir. Bu yöntem, az örnekli ekipmanların kayıp fonksiyonunda tamamen geri planda kalmasını engellemeyi amaçlar. Ancak sınıf başına örnek sayıları ve kullanılan \(\beta\) değeri raporlanmadığı için gerçek ağırlıklar bağımsız biçimde yeniden hesaplanamamaktadır.

1D-CNN katmanı neyi öğrenmektedir?

Modelin ilk bölümü, basınç sinyallerindeki kısa süreli yerel değişimleri çıkaran iki evrişim bloğundan oluşmaktadır:

Conv1D(4 → 32, çekirdek=5, dolgu=2)
→ Batch Normalization
→ ReLU
→ MaxPool(2)

Conv1D(32 → 64, çekirdek=3, dolgu=1)
→ Batch Normalization
→ ReLU
→ MaxPool(2)

Dört kanallı ve 100 örnek uzunluğundaki giriş, iki havuzlama işleminden sonra:

\[ F_{\mathrm{cnn}} \in\mathbb{R}^{B\times64\times25} \]

boyutuna indirilmektedir. \(B\), mini-batch içindeki örnek sayısıdır. Evrişim katmanları basınç eğimindeki yerel kırılmaları, kısa süreli düşüşleri ve kanallar arasındaki eş zamanlı değişimleri öğrenirken havuzlama işlemi zaman boyutunu küçültmekte ve işlem yükünü azaltmaktadır.

LSTM ve zamansal dikkat nasıl çalışmaktadır?

CNN çıktısındaki 25 zaman konumu bir dizi hâline dönüştürülerek 128 gizli birimli tek katmanlı LSTM’ye verilmektedir. LSTM, unutma, giriş ve çıkış kapıları sayesinde önceki basınç durumundan hangi bilginin korunacağını ve yeni değişimin ne ölçüde ekleneceğini öğrenmektedir.

LSTM’nin her zaman adımındaki gizli durumu:

\[ H=[h_1,h_2,\ldots,h_{T'}] \in\mathbb{R}^{B\times T'\times128} \]

şeklindedir. Zamansal dikkat skoru:

\[ e_t=w_a^T h_t+b_a \]

ve normalize edilmiş dikkat ağırlığı:

\[ \alpha_t= \frac{\exp(e_t)} {\sum_{\tau=1}^{T'}\exp(e_\tau)} \]

olarak hesaplanmaktadır. Pencere düzeyindeki bağlam vektörü:

\[ h_{\mathrm{ctx}}= \sum_{t=1}^{T'}\alpha_t h_t \]

ile elde edilir. Yüksek \(\alpha_t\) alan zaman dilimleri, modelin sınıflandırma sırasında daha önemli bulduğu basınç geçişlerini temsil etmektedir. Çalışma dikkat mekanizmasını yorumlanabilir bir ipucu olarak tanımlasa da belirli arızalarda hangi zaman dilimlerinin seçildiğini gösteren dikkat haritaları sunmamıştır.

Fizik bilgili özellik nedir?

Her basınç kanalının pencere başı ile pencere sonu arasındaki değişimi, pencere uzunluğuna bölünerek basınç düşüş hızı özelliği oluşturulmuştur:

\[ r_{b,c}= \frac{X_{b,c,T}-X_{b,c,1}}{T} \]

Burada:

• \(X_{b,c,1}\), pencerenin başlangıç basıncı,
• \(X_{b,c,T}\), pencerenin bitiş basıncı,
• \(T=100\), pencere uzunluğu,
• \(c\), dört sensör kanalından biridir.

Bu tanıma göre negatif değer pencere boyunca basıncın düştüğünü, pozitif değer yükseldiğini gösterir. Çalışmada basınç kilopaskal cinsinden, \(T\) ise örnek sayısı olarak kullanıldığı için özellik doğrudan kPa/s değil, örnek başına basınç değişimi biçimindedir. Fiziksel olarak saniye başına düşüş hızı isteniyorsa örnekleme aralığının da hesaba katılması gerekir.

Dört kanaldan oluşturulan vektör:

\[ \mathbf{r}=[r_1,r_2,r_3,r_4] \]

32 boyutlu bir fiziksel gömmeye dönüştürülmektedir:

\[ e_{\mathrm{phys}}= \mathrm{ReLU}(W_{\mathrm{phys}}\mathbf{r} +b_{\mathrm{phys}}) \]

Öğrenilen ve fiziksel özellikler nasıl birleştirilmiştir?

128 boyutlu LSTM bağlamı ile 32 boyutlu fiziksel gömme birleştirilmiştir:

\[ u=[h_{\mathrm{ctx}};e_{\mathrm{phys}}] \in\mathbb{R}^{160} \]

Ardından 128 boyutlu ortak özellik oluşturulmuştur:

\[ z= \mathrm{ReLU}(W_{\mathrm{fus}}u+b_{\mathrm{fus}}) \]

Kaçak, araç ve ekipman sınıflandırma başlıkları aynı ortak \(z\) temsilini kullanmaktadır. Bu düzen, kaçak varlığı, basınç yayılım konumu ve ekipman özelliklerinin ortak bir zaman serisi yapısından öğrenilebileceği varsayımına dayanır.

Sert maske nasıl uygulanmaktadır?

Ekipman başlığının ham logitleri fiziksel yerleşim matrisine göre değiştirilmiştir:

\[ \widetilde{o}^{\mathrm{dev}}_{b,d}= \begin{cases} o^{\mathrm{dev}}_{b,d}, & M_{c_b,d}=1\\ -\infty, & M_{c_b,d}=0 \end{cases} \]

Geçersiz ekipman logitinin \(-\infty\) yapılması, softmax sonrasında olasılığının tam olarak sıfır olmasını sağlar. Bu sayede verilen araçta bulunmayan ekipman seçilemez.

Önemli yorum sınırı, \(c_b\) araç koşulunun eğitim ve test sırasında modelin araç tahmini değil gerçek araç etiketi olmasıdır. Dolayısıyla sert maskeli ekipman başlığı şu soruya cevap vermektedir:

“Arızanın hangi araçta olduğu doğru biçimde biliniyorsa, o araçtaki olası ekipmanlardan hangisi arızalıdır?”

Çalışma, aracın da yalnızca modelden tahmin edildiği tam zincirde sert maskenin performansını ölçmemiştir.

Çok görevli kayıp fonksiyonu

Toplam eğitim kaybı üç çapraz entropi kaybının ağırlıklı toplamıdır:

\[ \mathcal{L}= \lambda_{\mathrm{leak}}\mathcal{L}_{\mathrm{leak}} +\lambda_{\mathrm{car}}\mathcal{L}_{\mathrm{car}} +\lambda_{\mathrm{dev}}\mathcal{L}_{\mathrm{dev}} \]

Varsayılan görev ağırlıkları:

\[ \lambda_{\mathrm{leak}}=1{,}0,\qquad \lambda_{\mathrm{car}}=0{,}3,\qquad \lambda_{\mathrm{dev}}=0{,}3 \]

olarak belirlenmiştir. Kaçak görevinin ağırlığı diğer iki görevden daha yüksektir. A5_LDEV2_PM varyantında ekipman ağırlığı artırılarak görevler arası rekabetin azaltılması araştırılmıştır.

Eğitim ayarları

En iyi checkpointler üç başlangıç için sırasıyla 83., 64. ve 81. epochlarda seçilmiştir. Çalışmada kullanılan işlemci, GPU, eğitim süresi, çıkarım gecikmesi, bellek tüketimi ve toplam model parametre sayısı verilmemiştir.

Karışıklık matrisleri ne göstermektedir?

Kaçak sınıflandırmasında kaçaksız örneklerin %99,49’u, kaçak örneklerin %99,85’i doğru sınıflandırılmıştır. İki sınıflı matris neredeyse tamamen köşegen yapıdadır.

Araç konumlandırmada sınıf bazlı doğru tanıma oranları yaklaşık olarak şöyledir:

Ekipman sınıflandırmasında korna ve pantograf için gösterilen doğru sınıflandırma oranı %100’dür. Tekerlek yüzeyi temizleyicisi %77,4 ile en düşük sınıf sonucuna sahiptir. Kumlama cihazı %85,9 oranında doğru tanınmış ve örneklerin %9,3’ü temizleyici olarak sınıflandırılmıştır. Araştırmacılar bu karışıklığı iki ekipmanın benzer yerel boru özellikleri ve basınç dinamikleriyle ilişkilendirmektedir.

Bu matrislerin hangi rastgele başlangıca ait olduğu açık biçimde belirtilmediğinden sınıf bazlı oranlar, üç çalıştırmanın ortalaması olarak değerlendirilmemelidir.

Eğitim ve doğrulama eğrileri nasıl yorumlanmalıdır?

Kaçak doğruluğu eğitimin ilk aşamasında hızla %99 düzeyine yaklaşmıştır. Araç ve ekipman doğrulukları daha yavaş yükselmiş ve yaklaşık %90–95 aralığında dengelenmiştir. Doğrulama eğrileri ilk 40–50 epoch boyunca belirgin dalgalanma göstermiş, öğrenme oranı azaltıldıktan sonra daha kararlı hâle gelmiştir.

Seed 42 için doğrulama doğrulukları 4. epochta kaçak/araç/ekipman görevlerinde yaklaşık 0,965/0,088/0,142 iken 30. epochta 0,997/0,758/0,835’e, 67. epoch civarında ise yaklaşık 0,999/0,959/0,925’e ulaşmıştır. Grafik geç dönemde büyük bir performans düşüşü göstermemektedir. Bununla birlikte eğitim ve doğrulama örneklerinin aynı simülasyon üretim sisteminden gelmesi, gerçek saha dağılımındaki aşırı uyumu değerlendirmeye yetmez.

Çalışmanın desteklediği sonuçlar

• Dört ana depo basınç sensörünün simülasyon destekli verilerinde hortum ayrılması kaçağı çok yüksek doğrulukla ayırt edilebilmiştir.
• Basınç yayılımı, arızalı araç konumuna ilişkin öğrenilebilir bilgi taşımaktadır.
• Basınç düşüşü özelliğinin eklenmesi araç ve ekipman sonuçlarını iyileştirmiştir.
• Gerçek araç bilgisine göre uygulanan fiziksel maske, geçersiz ekipman rekabetini azaltmıştır.
• Dosya düzeyindeki veri bölme, aynı dosyadan gelen örtüşen pencerelerin eğitim ve teste dağılmasını engellemiştir.
• Üç rastgele başlangıçta ana performans değerleri birbirine yakın kalmıştır.

Çalışmanın kanıtlamadığı sonuçlar

• Modelin gerçek yolcu işletmesi sırasında aynı doğrulukla çalışacağı kanıtlanmamıştır.
• %92,12 ekipman doğruluğu tam uçtan uca araç–ekipman konumlandırma başarısı değildir.
• Modelin kendi yanlış araç tahminiyle sert maskeyi kullandığı koşul değerlendirilmemiştir.
• 1 Hz gerçek tren verisinde 10 saniyelik pencereyle aynı performans gösterilmemiştir.
• Kapı, tuvalet ve pantograf dışındaki bütün ekipmanlar için kapsamlı gerçek kaçak deneyleri yapılmamıştır.
• Küçük sızıntı, kısmi gevşeme veya erken aşama conta bozulması incelenmemiştir.
• Kaçak şiddeti veya kaçak debisi tahmin edilmemiştir.
• Farklı tren modeli, boru topolojisi veya kompresör kontrol sistemi üzerinde genelleme gösterilmemiştir.
• Modelin gerçek zamanlı gömülü donanımda çalışabileceği ölçülmemiştir.
• Model olasılıklarının güven kalibrasyonu, belirsizlik düzeyi ve dağılım dışı arıza davranışı değerlendirilmemiştir.
• Yöntem bağımsız dış veri kümesi veya başka bir araştırma ekibi tarafından doğrulanmamıştır.
• Çalışma emniyet sertifikasyonu veya otomatik tren kontrolü için yeterlilik sunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Tam A3_PM modelinin test sonuçları

Tablo 3’te araç Macro-F1 değeri %95,87 olarak verilirken bileşen çıkarma Tablo 4’te A3_PM için %95,88 yazılmıştır. Fark büyük olasılıkla yuvarlama düzeyinden kaynaklanmaktadır; ancak iki tabloda aynı kesinlik kullanılmamıştır.

Dengeli doğruluk sonuçları

Bileşen çıkarma sonuçları

Fiziksel basınç düşüşü kolu ekipman Macro-F1 değerini 1,68 yüzde puanı, yalnız sert maske 3,10 yüzde puanı artırmıştır. İki bileşenin birlikte kullanılması, taban modele göre 4,39 yüzde puanlık artış üretmiştir. Ekipman görevini tek başına eğiten A4 varyantının A3_PM’den 0,32 puan daha yüksek olması, ortak temsilde görevler arası sınırlı rekabet bulunduğunu göstermektedir.

Korna–pantograf fiziksel tutarlılık analizi

Korna yalnızca 1. ve 8. araçlarda, pantograf yalnızca 3. ve 6. araçlarda bulunduğu için bu iki sınıfın araç kümeleri kesişmemektedir. Gerçek araç etiketine göre maske uygulandığında pantografın korna seçeneği otomatik olarak kapatılmaktadır. Bu nedenle 67 hatanın sıfıra inmesi fiziksel tutarlılık açısından yararlı olsa da maskenin yapısı gereği beklenen bir sonuçtur; modelin maskesiz olarak bu ayrımı öğrendiğini göstermez.

Korna sınıfı kesinliği üç başlangıçta:

• %34,18’den %51,18’e,
• %31,58’den %52,08’e,
• %37,64’ten %50,75’e

yükselmiştir. Korna geri çağırması %100 olarak korunmuştur. Sert maske, gerçek korna örneklerini azaltmak yerine fiziksel olarak olanaksız yanlış pozitifleri engellemiştir.

Çalışmanın güçlü yönleri

• Seyrek sensörlerden üç ilişkili tanı görevini aynı modelde ele alması.
• Yerel basınç örüntüleri, uzun zaman bağımlılığı ve basınç düşüşü fiziğini birleştirmesi.
• Araç–ekipman yerleşim bilgisini doğrudan çıktı alanına uygulaması.
• Gerçek test eğrileriyle kalibre edilmiş tren düzeyi pnömatik model kullanması.
• Örtüşen pencerelerde dosya düzeyinde veri ayrımı yapması.
• Sınıf dengesizliği için Macro-F1 ve dengeli doğruluk raporlaması.
• Üç rastgele başlangıç ve bileşen çıkarma deneyleri sunması.
• Simülasyon verisinin gerçek saha verisinin yerine geçmediğini açıkça belirtmesi.

Temel sınırlılıklar

• Çalışma hakem değerlendirmesinden geçmemiştir.
• Başlık sayfasında yazar ve kurum bilgileri eksiktir.
• SSRN üzerinde aynı çalışma için iki farklı kayıt numarası ve DOI indekslenmektedir.
• Veri kümesi ağırlıklı olarak simülasyona dayanmaktadır.
• Gerçek testler başlıca kapı, tuvalet ve pantograf senaryolarıyla sınırlıdır.
• Gerçek sensör verisi 1 Hz, eğitimde kullanılan simülasyon verisi 10 Hz’dir.
• Gerçek 1 Hz giriş üzerinde bağımsız model değerlendirmesi verilmemiştir.
• Toplam gerçek test, simülasyon dosyası, pencere ve sınıf örneği sayıları açıklanmamıştır.
• Sınıf ağırlıklarında kullanılan \(\beta\) değeri belirtilmemiştir.
• Hard mask test sırasında gerçek araç etiketine bağlıdır.
• Modelin kendi araç tahminiyle maskelenmiş uçtan uca sonuçları verilmemiştir.
• Dış bir tren seti veya bağımsız veri kümesi kullanılmamıştır.
• Haricî makine öğrenmesi yöntemleriyle karşılaştırmalı benchmark yapılmamıştır.
• Kanal bazlı simülasyon hata değerleri sunulmamıştır.
• İstatistiksel anlamlılık testi veya güven aralığı yoktur; yalnız üç başlangıcın standart sapması verilmiştir.
• Model boyutu, eğitim süresi ve gerçek zamanlı çıkarım gecikmesi raporlanmamıştır.
• Veri ve kaynak kod kamuya açık değildir.
• Küçük kaçaklar, aralıklı kaçaklar, sensör arızası ve dağılım dışı koşullar test edilmemiştir.

Türkiye’de saha doğrulaması için gerekli adımlar

1. Yerel tren setinin pnömatik topolojisinin ve ekipman yerleşim matrisinin çıkarılması.
2. Gerçek sensör frekansında uzun dönem normal işletme verisi toplanması.
3. Güvenli zemin koşullarında farklı kaçak büyüklükleri ve ekipmanlar için kontrollü hata enjeksiyonu yapılması.
4. Simülasyon verisinin gerçek 1 Hz sensör biçimine dönüştürülerek yeniden değerlendirilmesi.
5. Modelin tahmin ettiği araç numarasını kullanan tam uçtan uca maskenin sınanması.
6. Sensör arızası, veri kaybı, gürültü ve farklı kompresör çevrimlerinin ayrı test edilmesi.
7. Model belirsizliği ve güven kalibrasyonunun değerlendirilmesi.
8. Gömülü tren bilgisayarında gecikme, bellek ve işlem yükünün ölçülmesi.
9. Bakım uzmanlarının model çıktısını yorumlama ve müdahale süresinin kullanıcı testleriyle incelenmesi.
10. Emniyet-kritik kullanımdan önce bağımsız doğrulama ve risk analizi yapılması.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Physics-informed one-dimensional convolutional recurrent network for leakage diagnosis in high-speed train pneumatic systems

Yazarlar: Tianyi Wang; WenBing Wang; Jingxian Ding; Tianyu Xia; Qiyang Zuo; Jianyong Zuo.

Yazar sıralaması: Tianyi Wang birinci, WenBing Wang ikinci, Jingxian Ding üçüncü, Tianyu Xia dördüncü, Qiyang Zuo beşinci ve Jianyong Zuo altıncı yazardır.

Yazar bilgisiyle ilgili belge notu: Yüklenen sürümün başlık sayfasında yazar adları, kurumlar ve iletişim bilgileri bulunmamaktadır. Yazar listesi ve sıralaması SSRN’nin resmî kayıtlarından doğrulanmıştır.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık beyanı yüklenen sürümde ve erişilebilen SSRN metadata’sında yer almamaktadır.

Sorumlu yazar: SSRN’nin aynı başlık için indekslediği kayıtta Jianyong Zuo iletişim yazarı olarak gösterilmektedir.

Kurumsal bağlantılar: SSRN metadata’sında Jianyong Zuo için Tongji University bağlantısı verilmektedir. Diğer yazarların kurumları yüklenen sürümde bulunmamakta ve SSRN metadata’sında “affiliation not provided” olarak görünmektedir. Bu nedenle diğer yazarlar için kurum tahmini yapılmamıştır.

Kaynakla doğrudan eşleşen DOI:10.2139/ssrn.7192457

Alternatif SSRN kayıt notu: SSRN arama sonuçlarında aynı başlık ve yazarlarla 10.2139/ssrn.7192445 DOI’sine sahip ikinci bir kayıt da indekslenmektedir. Yüklenen çalışmanın bütün sayfa altlarında 7192457 kullanıldığı için ana kaynak kimliği olarak bu kayıt esas alınmıştır. İki kayıt arasındaki sürüm ilişkisi kesin olarak açıklanmamıştır.

Hedeflenen dergi: Engineering Applications of Artificial Intelligence.

Dergi durumu: Çalışma sayfasında “Preprint submitted to Engineering Applications of Artificial Intelligence” ifadesi bulunmaktadır. Bu ifade gönderim bilgisidir; kabul veya yayımlanmış makale kaydı anlamına gelmez.

Özgün yayınevi: Çalışma için kesinleşmiş nihai akademik yayınevi bulunmamaktadır. Hedeflenen dergi Elsevier platformunda yayımlanmaktadır; ancak bu preprintin Elsevier tarafından kabul edildiği veya yayımlandığı doğrulanmamıştır.

Yayın platformu: SSRN.

Makale tarihi: 30 Mayıs 2026.

SSRN kayıt tarihi: SSRN arama kaydı 27 Temmuz 2026 tarihini göstermektedir.

Yayın yılı: 2026.

Kaynak türü: Gerçek zemin testleriyle kalibre edilmiş AMESim modeli, sentetik veri artırımı ve çok görevli derin öğrenme içeren simülasyon destekli özgün mühendislik araştırması preprinti.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî kaynak:SSRN 7192457 çalışma kaydı.

Veri erişimi: Araştırmacılar verilerin gizlilik kısıtlamaları nedeniyle kamuya açık olmadığını, makul talep üzerine sorumlu yazardan istenebileceğini belirtmiştir.

Kaynak kod: Kaynak kod veya çalıştırılabilir deney deposu bağlantısı incelenen sürümde verilmemiştir.

Finansman: Ayrı bir finansman beyanı incelenen sürümde yer almamaktadır.

Çıkar çatışması: Ayrı bir çıkar çatışması beyanı incelenen sürümde yer almamaktadır.

Üretken yapay zekâ beyanı: Araştırmacılar çalışma hazırlanırken dil düzeltme ve yapısal düzenleme amacıyla yapay zekâ destekli araçlar kullandıklarını; içeriği gözden geçirip düzenlediklerini ve nihai sorumluluğu üstlendiklerini açıklamıştır.

Bu Türkçe açıklama, yüklenen 50 sayfalık çalışmanın metni, denklemleri, pnömatik sistem şemaları, AMESim karşılaştırması, yapay sinir ağı mimarisi, eğitim eğrileri, karışıklık matrisleri, bileşen çıkarma tabloları, fiziksel tutarlılık analizi, sınırlılıkları ve kaynakçası incelenerek hazırlanmıştır. Bilimsel içeriğe çalışma dışında yeni deney sonucu eklenmemiştir. Dış kaynaklar yalnızca yazar listesi, sorumlu yazar, DOI, SSRN kaydı, hedef dergi ve yayın durumunun bibliyografik doğrulanması amacıyla kullanılmıştır.

Çalışma, seyrek basınç sensörleriyle tren pnömatik kaçağının simülasyon destekli olarak yüksek doğrulukla tanınabileceğini göstermektedir. Ancak ekipman sonuçları gerçek araç koşuluna bağlıdır; veri büyük ölçüde simülasyondur ve gerçek trenlerde tam uçtan uca saha doğrulaması bulunmamaktadır. Bu nedenle yöntem, doğrulanmış otomatik emniyet sistemi olarak değil; ileri gerçek veri çalışmaları gerektiren bir bakım ve arıza tanı araştırması olarak değerlendirilmelidir.