Turbofan Motoru Kestirimci Bakım (Predictive Maintenance)

Bu proje, NASA'nın ünlü C-MAPSS (Turbofan Engine Degradation Simulation) veri setini kullanarak uçak motorlarının Kalan Kullanışlı Ömrünü (Remaining Useful Life - RUL) tahmin eden ve bunu lokalde çalışan modern, etkileşimli bir web arayüzünde görselleştiren bir uçtan uca makine öğrenimi uygulamasıdır.

---

🚀 Proje Özellikleri

• Gerçek Zamanlı İzleme Arayüzü: Koyu tema (Sleek Dark Mode) ve cam efekti (Glassmorphism) ile geliştirilmiş premium kullanıcı arayüzü.
• Zaman Serisi Simülasyonu: Seçilen motorun döngüleri (Cycles) arasında slider ile manuel geçiş yapabilme veya "Oynat/Durdur" butonları ile telemetri sürecini simüle edebilme.
• Dinamik RUL Göstergeleri: Tahmin edilen RUL ile gerçek RUL değerlerini gösteren, kalan ömre göre renk değiştiren (Yeşil ➔ Turuncu ➔ Kırmızı) gösterge barları.
• Bakım Uyarı Mekanizması: Motorun kalan ömrü 20 döngünün altına indiğinde ekranın sağ üstünde otomatik beliren ve yanıp sönen kırmızı neon bakım alarmı.
• Gelişmiş Grafik Entegrasyonu (Chart.js): Gerçek RUL ile tahmin edilen RUL'un tüm döngüsel seyrini gösteren ve slider çizgisine göre anlık güncellenen interaktif grafik.
• Sensör Telemetri Grid: Seçilen döngüdeki anlık sensör değerlerini (Sıcaklık, Basınç, Fan Hızı vb.) fiziksel birimleriyle ve motorun çalışma sınırlarına göre normalize edilmiş oransal çubuklarla izleme.

---

🛠️ Metodoloji ve Model İyileştirmeleri

Orijinal notebook üzerinde yapılan detaylı inceleme sonucunda aşağıdaki geliştirmeler uygulanmıştır:

1. Sentaks ve Kütüphane Hatalarının Giderilmesi:
   • Sınıflandırma modelindeki skleairn yazım hatası giderilerek sklearn olarak düzeltilmiştir.
   • fillna fonksiyonundaki kalıcı olmama (inplace) problemi giderilmiştir.
2. Veri Sızıntısının (Data Leakage) Önlenmesi:
   • Modeller eğitilirken Unit (Motor ID) ve Cycle (Zaman Döngüsü) sütunları öznitelik setinden çıkarılmıştır. Bu sayede modelin motor kimliklerini veya zamanı doğrudan ezberlemesi engellenmiş, yıpranma trendlerini sadece sensörlerden öğrenmesi sağlanmıştır.
3. Gerçekçi Doğrulama Stratejisi (GroupKFold):
   • Standart rastgele K-Fold yerine GroupKFold kullanılarak motor bazlı gruplama yapılmıştır. Böylece modelin eğitimde hiç görmediği motorlar üzerindeki başarısı test edilmiştir.

📊 Deneysel Performans Sonuçları (Random Forest)

Model Versiyonu	MAE (Hata Oranı)	$R^2$ Skoru	Yorum
1. Sızıntılı Model (Baseline)	18.83 Döngü	%85.93	Cycle özniteliğini ezberleyerek yanıltıcı yüksek başarı gösterir.
2. Sızıntısız Model (KFold)	29.63 Döngü	%63.34	Sızıntı giderilmiş, sadece sensör verilerini temel alan gerçek performanstır.
3. Sızıntısız Model (GroupKFold)	30.21 Döngü	%61.85	Sisteme eklenecek tamamen yeni bir motor üzerindeki gerçek doğruluk payıdır.

---

💻 Kurulum ve Çalıştırma

Uygulamayı lokal bilgisayarınızda çalıştırmak için aşağıdaki adımları takip edebilirsiniz:

1. Gereksinimlerin Yüklenmesi

Proje dizininde bir sanal ortam oluşturup gerekli kütüphaneleri kurun:

# Sanal ortam oluşturma
python3 -m venv venv
source venv/bin/activate

# Gerekli paketleri kurma
pip install pandas scikit-learn matplotlib seaborn fastapi uvicorn joblib

2. Modellerin Eğitilmesi

Verileri temizleyen, sızıntısız modelleri eğiten ve kaydeden scripti çalıştırın:

python train_and_save.py

Bu işlem sonunda dizinde rul_regressor.joblib, rul_classifier.joblib ve scaler.joblib dosyaları oluşacaktır.

3. API Sunucusunun ve Arayüzün Başlatılması

FastAPI sunucusunu başlatın:

uvicorn backend:app --host 127.0.0.1 --port 8000

4. Tarayıcıda Görüntüleme

Sunucu başladıktan sonra tarayıcınızı açarak aşağıdaki adrese gidin: 👉 http://127.0.0.1:8000