Yapay Sinir Ağları (ANN) Nedir? Çalışma Mantığı, Perceptron ve Öğrenme Algoritmaları

Günümüzde bir çok makine öğrenmesi modeli mevcuttur. Neural Network bunlardan sadece bir tanesidir. İnsan beyni ve sinir sisteminden esinlenerek keşfedilmiş bir modelidir.
Neural Network katmanlar şeklinde kurulmuş bir yapıdır. İlk katman giriş, son katman çıkış olarak adlandırılır. Orta kısımda bulunan katmanlar ‘Hidden Layers’ yani gizli katmanlar olarak adlandırılmaktadır. Her katman belli sayıda ‘Neuron’ içerir. Bu neuronlar birbirine ‘Synapse’lar ile bağlıdır. Synapselar bir katsayı barındırır. Bu katsayılar bağlı oldukları neurondaki bilginin ne kadar önemli olduğunu söylemektedir.

Bir neuronun değeri o neurona gelen girdilerin katsayılar ile çarpılıp toplanması sonucu bulunur. Bulunan bu sonuç bir aktivasyon fonksiyonu içerisine sokulur. Fonksiyondan çıkan sonuca göre o neuronun ateşlenip ateşlenmeyeceğine karar verilir.

Perceptron

Perceptron, tek katmanlı neural networktür. Fazla kompleks olmayan sorunların çözülmesinde yardımcı olmaktadır. Neural networklerde asıl istenen katsayıların eğitilmesidir. Katsayılar eğitilirken delta rule kullanılır.

Delta Rule

Delta kuralı, sistemin hata oranını belirleyerek katsayıların güncellenmesidir. Bunu yaparken şöyle bir formül izlenir;

2*μ*Xi (beklenen — gerçekleşen)

μ: Öğrenme Oranı

Öğrenme oranı, katsayılar üzerinde değişikliklerin ne kadar etki edeceğini belirtir. Öğrenme oranının çok düşük olması istenen değere uzun sürede ulaşmanızı sağlayabilir. Öğrenme oranını çok yüksek olması istenen değeri es geçmenizi ve tekrar o değere ulaşabileceğiniz süreyi uzatabilir. Öğrenme oranını seçerken dikkatli olunması gerekir.

Sözlükte;

Yapay sinir ağları (ANN), insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. ANN ile basit biyolojik sinir sisteminin çalışma şekli taklit edilir. Yani biyolojik nöron hücrelerinin ve bu hücrelerin birbirleri ile arasında kurduğu sinaptik bağın dijital olarak modellenmesidir. Nöronlar çeşitli şekillerde birbirlerine bağlanarak ağlar oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Diğer bir ifadeyle, ANN’ler, normalde bir insanın düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bir insanın, düşünme ve gözlemleme yeteneklerini gerektiren problemlere yönelik çözümler üretebilmesinin temel sebebi ise insan beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme yeteneğidir.

Biyolojik sistemlerde öğrenme, nöronlar arasındaki sinaptik (synaptic) bağlantıların ayarlanması ile olur. Yani, insanlar doğumlarından itibaren bir yaşayarak öğrenme süreci içerisine girerler. Bu süreç içinde beyin sürekli bir gelişme göstermektedir. Yaşayıp tecrübe ettikçe sinaptik bağlantılar ayarlanır ve hatta yeni bağlantılar oluşur. Bu sayede öğrenme gerçekleşir. Bu durum ANN için de geçerlidir. Öğrenme, eğitme yoluyla örnekler kullanarak olur; başka bir deyişle, gerçekleşme girdi/çıktı verilerinin işlenmesiyle, yani eğitme algoritmasının bu verileri kullanarak bağlantı ağırlıklarını (weights of the synapses) bir yakınsama sağlanana kadar, tekrar tekrar ayarlamasıyla olur.

ANN’ler, ağırlıklandırılmış şekilde birbirlerine bağlanmış birçok işlem biriminden (nöronlar) oluşan matematiksel sistemlerdir. Bir işlem birimi, aslında sık sık transfer fonksiyonu olarak anılan bir denklemdir. Bu işlem birimi, diğer nöronlardan sinyalleri alır; bunları birleştirir, dönüştürür ve sayısal bir sonuç ortaya çıkartır. Genelde, işlem birimleri kabaca gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır.

Sinirsel (neural) hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem kavramları vardır. ANN’ler, geleneksel işlemcilerden farklı şekilde işlem yapmaktadırlar. Geleneksel işlemcilerde, tek bir merkezi işlem birimi her hareketi sırasıyla gerçekleştirir. ANN’ler ise her biri büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem birimlerinden oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir ağırlık kümesi ile ağırlıklandırır, doğrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı değeri oluşturur. İlk bakışta, işlem birimlerinin çalışma şekli yanıltıcı şekilde basittir. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem birimlerinin birbirleri arasındaki yoğun bağlantı yapısından gelmektedir. Bu sistemlerde geri yayılım metoduyla daha sağlıklı öğrenme sağlanmaktadır.

Çoğu ANN’de, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler.

ANN’nin ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek gerekirse, fonksiyonun temel yapısını ağırlıkların büyüklüğü ve işlem elemanlarının işlem şekli belirler. ANN’lerın davranışları, yani girdi veriyi çıktı veriye nasıl ilişkilendirdikleri, ilk olarak nöronların transfer fonksiyonlarından, nasıl birbirlerine bağlandıklarından ve bu bağlantıların ağırlıklarından etkilenir.

Yapay sinir ağlarının üstünlüklerinin yanı sıra bazı sakıncaları da vardır. Bu sakıncalar şu şekilde listelenebilir:

• Sistem içerisinde ne olduğu bilinemez.
• Bazı ağlar hariç kararlılık analizleri yapılamaz.
• Farklı sistemlere uygulanması zor olabilir.

Endüstriyel Otomasyonda ANN Uygulamaları

Günümüzde Yapay Sinir Ağları, sadece bilgisayar yazılımlarında değil, akıllı sensörler ve gelişmiş kontrolörler aracılığıyla saha seviyesine de inmiştir. idas otomasyon olarak odaklandığımız sistemlerde, ANN modellerini özellikle “Kestirimci Bakım” (Predictive Maintenance) süreçlerinde kullanıyoruz. Örneğin, bir motorun akım, titreşim ve sıcaklık verilerini bir ağa girdi olarak vererek, arızanın gerçekleşmeden haftalar önce tahmin edilmesini sağlıyoruz. Bu noktada metinde bahsedilen “Geri Yayılım” (Backpropagation) metodu, modelin sahadan gelen gerçek verilerle sürekli kendini optimize etmesini ve hata payını minimize etmesini sağlar.

ANN Terimler Sözlüğü 

Endüstriyel PLC ve AI Entegrasyon Mimarisi

Klasik bir PLC sistemi, “Eğer bu olursa, şunu yap” mantığıyla (LADDER/SCL) çalışır. Ancak ANN entegre edilmiş bir sistemde süreç şu şekilde ilerler:

1. Model Eğitimi (Offline): Yapay sinir ağı modeli, PLC içinde değil, yüksek işlem gücüne sahip PC’lerde veya bulutta (TensorFlow veya PyTorch gibi kütüphanelerle) eğitilir.

2. Modelin Derlenmesi: Eğitilen model, PLC donanımının (örneğin NPU modülü) anlayabileceği bir formata dönüştürülür. Siemens ekosisteminde bu işlem genellikle AI Model Manager üzerinden yapılır.

3. Çıkarım (Inference – Online): Modül, PLC’nin arka plan (backplane) veriyolu üzerinden sensör verilerini alır. Yapay sinir ağı, bu verileri kullanarak milisaniyeler içinde “tahmin” veya “karar” üretir.

4. Aksiyon: Üretilen karar (örneğin: “Rulman %85 ihtimalle 24 saat içinde arıza yapacak”), doğrudan PLC programına bir değişken olarak aktarılır ve sistem güvenli moda alınır.

Neden NPU ve ANN Entegrasyonu?

• Karmaşık Kalite Kontrol: Geleneksel sensörlerin yetersiz kaldığı, ürünün renginden, kokusundan veya karmaşık titreşiminden kalite analizi yapılması gereken yerlerde ANN modelleri yüksek başarı sağlar.

• Kestirimci Bakım (Predictive Maintenance): Makinenin sadece limit değerlerini kontrol etmek yerine, geçmiş verilerden öğrenilen paternleri kullanarak arızayı henüz oluşmadan tespit eder.

• Enerji Optimizasyonu: Bir tesisin ısıtma, soğutma ve motor yüklerini senkronize ederek, enerji maliyetlerini en düşük seviyede tutacak çalışma senaryolarını ANN ile anlık olarak belirleyebilirsiniz.

Özetle: PLC’ye bir Yapay Sinir Ağı modülü eklemek, sisteme sadece bir donanım değil, “sezgi” ve “tecrübe” eklemektir. Bu sayede otomasyon sisteminiz sadece komutları uygulamaz, süreci anlamlandırarak optimize eder.