Hava aracı bileşenine ait sensör verileri için prognostik ve sağlık yönetimi
Prognostics and health management of sensor data for an aviation component
- Tez No: 1012809
- Danışmanlar: PROF. DR. ERSEN YILMAZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine sağlık izleme, akıllı üretim ve veri odaklı bakım stratejilerinin yaygınlaşmasıyla modern endüstriyel sistemlerin kritik bir bileşeni haline gelmiştir. Prognostikler ve Sağlık Yönetimi (PHM), sistem güvenilirliğini artırma, plansız duruşları azaltma ve proaktif bakım kararlarını destekleme açısından merkezi bir rol üstlenmektedir. Özellikle havacılık sektöründe motor, rulman ve uçuş-kritik bileşenlerin sağlık durumunun doğru izlenmesi, uçuş emniyeti, görev sürekliliği ve maliyet optimizasyonu açısından hayati öneme sahiptir. Bu tez çalışması, PHM'nin üç temel görevi olan Anomali Tespiti, Hata Sınıflandırma ve Kalan Faydalı Ömür (RUL) tahmini problemlerini, gelişmiş dikkat mekanizmalarıyla desteklenen derin öğrenme mimarileri aracılığıyla ele almaktadır. Döner makineler ve havacılık sistemlerinden elde edilen sensör verileri genellikle karmaşık, doğrusal olmayan ve zamana bağlı bozulma örüntüleri içermektedir. Bu nedenle güvenilir tanılama ve kestirim için değişen sistem dinamiklerine uyum sağlayabilen öğrenme yöntemlerine ihtiyaç duyulmaktadır. Anomali tespiti çalışmasında, Recurrence Quantification Analysis (RQA) metriklerini dikkat skorlamasına entegre eden yeni hibrit dikkat mekanizmaları geliştirilmiş ve rulman titreşim verileri üzerinde etkinlikleri gösterilmiştir. Hata sınıflandırma çalışmasında, zaman, frekans ve kaos alanlarından çıkarılan özniteliklerin ayırt ediciliği incelenmiş, farklı öznitelik seçim yöntemleri karşılaştırılarak optimal öznitelik alt-kümeleri belirlenmiştir. Bu öznitelikleri kullanan dikkat mekanizmalı derin öğrenme modellerinin sınıflandırma başarımı ortaya koyulmuştur. RUL tahmini aşamasında ise, Matris İstatistiklerine Duyarlı Dikkat Mekanizması (MSAA) önerilmiş ve turbofan motor veri setleri üzerinde yüksek tahmin performansı elde edilmiştir. Elde edilen sonuçlar, önerilen dikkat mekanizmalarının doğrusal olmayan ve gürültülü çalışma koşulları altında PHM görevlerinde güvenilir ve etkili çözümler sunduğunu göstermektedir.
Özet (Çeviri)
Machine health monitoring has become a critical component of modern industrial systems with the proliferation of smart manufacturing and data-driven maintenance strategies. Prognostics and Health Management (PHM) plays a central role in increasing system reliability, reducing unplanned downtime, and supporting proactive maintenance decisions. Accurate monitoring of the health status of engines, bearings, and flight-critical components is particularly vital in the aviation sector for flight safety, mission continuity, and cost optimization. This thesis addresses three fundamental tasks of Prognostics and Health Management (PHM), namely anomaly detection, fault classification, and remaining useful life (RUL) estimation, using deep learning architectures supported by advanced attention mechanisms. Sensor data obtained from rotating machinery and aerospace systems often exhibit complex, nonlinear, and time-dependent degradation patterns. Consequently, reliable diagnosis and prognostics require data-driven models capable of adapting to evolving system dynamics. In the Anomaly Detection phase of the thesis, new hybrid attention mechanisms integrating Recurrence Quantification Analysis (RQA) metrics into attention scoring were developed and their effectiveness was demonstrated on bearing vibration data. In the Fault Classification study, the discriminative power of features extracted from the time, frequency, and chaos domains was examined, and optimal feature subsets were determined by comparing different feature selection methods. The classification performance of attention-based deep learning models using these features was demonstrated. In the RUL prediction phase, the Matrix Statistics-Aware Attention Mechanism (MSAA) was proposed and achieved high prediction performance on turbofan engine datasets. The results obtained demonstrate that the proposed attention mechanisms provide reliable and effective solutions for PHM tasks under nonlinear and noisy operating conditions.
Benzer Tezler
- Multi-level security framework for internet of things in military environment
Askeri ortamlardaki nesnelerin interneti için çok seviyeli güvenlik çerçevesi
EMRE İŞLEYEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- Detection of common IoT authentication attacks and design of a lightweight authentication and key management protocol
Nesnelerin internetinde yaygın asıllama saldırılarının belirlenmesi ve hafifsıklet asıllama ve anahtar yönetimi protokolünün tasarımı
IŞIL ÇETİNTAV
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA
- Experimental investigation of flexibility effects in flapping wing aerodynamics
Çırpan kanat aerodinamiğinde esneklik etkilerinin deneysel olarak incelenmesi
ONUR SON
Doktora
İngilizce
2018
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. NURİYE LEMAN OKŞAN ÇETİNER YILDIRIM
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Fault detection, isolation and reconfiguration in navigation system of Boeing-747 aircraft
Boeing-747 uçağının seyrüsefer sisteminde arıza tespiti, teşhisi ve yeniden yapılandırma
DENİZ BURAK KAMİLOĞLU
Yüksek Lisans
İngilizce
2018
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZ HACIZADE