Tesisat Dergisi 214. Sayı (Ekim 2013)

ast-üst ilişkisi oluşmaktadır, bu nedenle de alternatifler evreni de daralmaktadır (Ref.2). Sistemdeki parçalar arasında hiyerarşik bir ast-üst ilişkisi oluşmuşsafaktörler farklı sevi– yelerde bulunur. Formülasyonu basitleştirerek bir örnek vermek gerekirse, parametrik olarak düşünebileceğimiz faktörler için seviyelerdeki farklılık i ile tanımlanır ise en üst parametrik faktör için seviye ı' dir. Farklı hiyerarşik sevi– yelere sahip parametrik faktörlerin bulunduğu bir tasarımda bulunan toplam model sayısı ve alternatifler evreninin genişliği aşağıdaki for– mül (1) ile hesaplanabilir. i= {ı, ... , j} i u= Il Q + ı)'-Ni+! (1) i=] alternatifler evreni de indirgenir (Ref.2, sayfa 540). Faktöriyel deney tasarımı, sistem ve ağ tasarımı uygulanabilen her alanda kullanıla­ bilir olmasına karşın, alanın kendi özellikleri deney tasarımının kıstaslarını da değiştirebil­ mektedir. Pompa ve vana sistemi tasarımında birbiri ile ilintili faktörlerin etkileşimlerinin ve süreçlerin optimizasyonunun Taguchi deney tasarımıyla uygulanabilir olmasının yanında, faktörlerin birbirleriyle ilintileri alternatifler evrenini de daraltmakta, alternatif model sayısının azal– masıyla orantılı olarak uygulanacak deney sayısının da azalması beklenmektedir. Bu durum, deney tasarım yönteminin prob- deneyin sonrasında küçük ağırlık değişik­ liklerine izin vermese de ilk tasarımda ha– tanın ciddi bir şekilde azaltılmasına imkan tanımaktadır. Bu noktadan sonra yapay si– nir ağları aracılığıyla farklı ağırlık hesapla– maları kullanılarak ağırlıkların düzeltilmesi sağlanabilir (Ref.5). Yapay sinir ağlarında çıktı ile örneklerden alınan gerçek sonuçlar karşılaştırılarak ara katman belirlenmekte fakat girdiler arasın­ daki etkileşimler hakkında modelden çıkarım yapılamamaktadır. Çok katmanlı ağlar kendi kendilerine dinamik bir model oluşturdukları için verilerin etkileşimi sonucunda süreç için– de gelişirler. Formülde i değeri parçanın veya parametrik lemin kıstasları na göre yeniden elden geçi- Gelişmelerine neden olan öğrenme yöntemi ağ faktörün bulunduğu seviyeyi belirtir, alt para- rilerek daraltılmasını da gerektirir. Bu aynı eğitilirken modelin verdiği çıktılar ile gerçek metresi olan bir faktörün bulunmadığı bir ev- zamanda deney stratejisini belirlerken daha sonuçların karşılaştırılması ve hataların sü- rende bütün parametrik faktörler aynı düzeyde fazla kaynak tüketimi anlamına gelse de, rekli azaltılabilmesi için aradaki farkların, yani olduğu için hepsi ı değerini alır; bu durum diğer taraftan daha az deneyin uygulanması hata oranlarının model içinde ağırlıklarının de- farklı değişkenierin ve faktörlerin aynı sevi- nedeniyle daha az enerji, kaynak ve zaman ğiştirilmesi aracılığıyla mümkündür. yede bulunduğunu ve birbirleriyle bir ast-üst kullanımı, bu sayede sisteme göre deneyin ilişkileri bulunmadığı anlamına gelmektedir. optimizasyonu maliyetierin de azalmasını Dikkat edilmesi gereken, burada "seviye" ile sağlayacak bir kısıttır. kastedilen bir parametrik faktörün aldığı de- ğerler (0 veya ı, artı veya eksi gibi) değil, diğer 3. Yapay Sinir Ağları ile iyileştirme parametrik faktörlerle olan ilişkisi düzeyidir. Çok katmanlı yapay sinir ağları endüstriyel uy- Bu formülde her alt parametrik faktör en fazla gulamalarda süreci simule etmek ve çıktıları bir alt parametreye sahip olabilir. Örneğin bir tahminiemek için kullanılan tekniklerden bir parametrik faktör ancak bir başka parametrik tanesidir. Kurulan ağ süreç yüklerini değer- faktörün doğrudan alt özelliği olarak ortaya çı- lendirerek istenmeyen ve limitler dışındaki so- kıyorsa bu formülde bir ast parametrik faktör n uçların saptanması durumunda uyarı vererek olarak değerlendirilir ve i bir üst değeri alır; bir tasarımın önceden benzetiminin yapılmasında faktörün i değeri ı ise alt parametrik faktörün kullanılabilmektedir (Ref.2). i değeri 2olur. Benzer şekilde her alt paramet– rik faktör bir üst parametreden +ı üst seviye değerini alır. Bir örnek vermek gerekirse; bir pompa sis– teminde iki seçeneği bulunan bir piston yarı­ çapı, valf geri akımı ve motor hızı kadernesi için toplam 8 alternatif model olabilir. Ancak piston motorun hız kademelerinden biri ile ça– lışmıyorsa ve pistonları motorun hız kademe– sine göre tercih etmek zorunlu ise bu faktörler arasındaki alternatiflerin sayısı azalacağı gibi 124 lesisat Dergisi Sayı2ı4- Ekim 20ı3 Çok katmanlı yapay sinir ağları Taguchi de– neysel tasarım yaklaşımına alternatif olarak kullanılabilecek, yaklaşımın eksikliklerini ve olumsuz yönlerini ortadan kaldırabilecek bir yöntem olarak da değerlendirilebilir (Ref.4). Bunun yanında Taguchi ortagonal dizinler ile eğitilen yapay sinir ağlarının, deneyierin süresini ve deneme sayısını azaltarak enerji verimliliğini artırabilmesi de mümkündür. Taguchi ortagonal dizinlerin kullanılması Öğrenme sırasında önce girdiler tanıtılarak bu girdilere karşılık gelen çıktılar üretilir ve süreç farklı girdi değerleri ile tekrar tekrar ileriye doğru hesaplanır. Daha sonra üretilen çıktı ile beklenen çıktı karşılaştırılarak aradaki fark geriye doğru dağıtılarak düzeltmelere gidilerek geriye doğru hesaplama yapılır. Yük değerleri belirlenen ağın eğitim performansının ölçül– mesi için modele ağ kurulurken girdi olarak kullanılmamış veriler gösterilerek sonuçlar sınanabilir (Ref.4). Model zaman içerisinde örnekleryardımıyla öğ­ renmeye ve geri beslerneye açık bir sistem ol– duğundan çok faktörlü, karmaşık ilişkili pompa ve va na sistem tasarımlarında, sistemin kendi kendine süreci algılayabileceği, kaydedebile– ceği ve iyileştirebileceği uygulamalarda tercih edilebilir. Çok katmanlı ağlar çıktıyı ortaya çıkaran işlemler konusunda açıklamalar sun– mamasına karşın, süreçlere uyumlu modeller ortaya çıkarmak üzere yapıları üzerinde ileri ve geri hesaplamalar yardımıyla ve beslemelerle geliştirilebilirler (Ref.2).