Damage detection in aircraft engine borescope inspection using deep learning
Uçak motorlarının baroskopik incelemesinde derin öğrenme kullanılarak hasar tespiti
- Tez No: 788055
- Danışmanlar: PROF. DR. MEHMET REŞİT TOLUN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Uçak Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Aircraft Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Aksaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Uçak motorlarının muayenesi motorun uçuşa elverişlilik için gerekli standardların sağlanmasını garanti etmesi sebebiyle uçuş güvenliğinin temel direklerinden biri sayılır. Ayrıca uçakların değerinin korunmasında da hayati bir öneme sahiptir. Baroskop ile muayene, günümüzde uçak motoru muayenelerinde en sık kullanılan görsel muayene yöntemidir. Ancak baroskopik muayenenin başarısı muayeneyi yapan denetimcilerin tecrübesine ve o anki konstanstrasyonlarına oldukça bağlı, zaman alan, sübjektif ve karmaşık bir işlemdir. Diğer yandan, havayolu şirketleri ve bakım, onarım merkezlerinin tasarruf tedbirleri denetimciler üzerinde baskı ve iş yükü oluşturmaktadır. Bu sebeplerden dolayı, insan faktöründen kaynaklı potansiyel riskleri en aza indirmek için baroskopik incelemelerde hasar tespitine destek olacak otomatik hasar tespit sistemlerine ihtiyaç vardır. Derin öğrenme son 10-15 yıl içerisinde farklı disiplinlerde çok geniş kullanım alanı bulmuş ve özellikle görüntü tanıma alanında oldukça başarılı sonuçlar vermiştir. Bu çalışmada, uçak motorlarının baroskopik incelemelerinden elde edilmiş fotoğraflardan otomatik hasar tespiti yapan, derin öğrenmeye dayalı bir sistem önermekteyiz. Sistem, Faster R-CNN mimarisine dayalı ve Inception v2 öznitelik çıkarıcıya sahip bir model kullanmaktadır. Veri miktarının yetersizliğinden dolayı çalışmada veri çoğaltma ve diğer aşırı uyum önleme yöntemleri kullanılmıştır. Önerilen sistem turbofan motorların her bölümünde çatlak, çentik, oyuk ve yanık hasar türleri tespitini desteklemektedir. Sistem sahadan elde edilmiş, orta ve yüksek seviye karmaşıklıkta görüntülerle eğitilmiş ve test edilmiştir. Önerilen sistem çentik, oyuk hasar sınıfı için %92.05, çatlak için %92.64 ve yanık hasar sınıfı için %81.14 ortalama hassasiyet (doğruluk) değerlerine erişmiştir. Sistemin genel ortalama hassasiyeti ise %88.61'e ulaşmıştır.
Özet (Çeviri)
Aircraft engine inspection is a key pillar of aviation safety by maintaining adequate performance standards to ensure the airworthiness of an engine. In addition, it is vital for asset value retention. Borescope inspection is currently the most widely used aircraft engine visual inspection method. However, borescope inspection is a time consuming, subjective, and complex process which heavily depends on the experience of the inspector as well as on their concentration level during inspection. On the other hand, cost saving of airlines and maintenance, repair, and overhaul (MRO) centers expose pressure and workload on inspectors. These make an automated system to support damage detection during borescope inspection necessary to avoid potential risks. Deep learning has found very wide application and has proven to be very successful during the last 10-15 years in the image recognition domain. In this research, we suggest a deep learning based automated damage detection framework from aircraft engine borescope inspection images. Faster R-CNN based deep learning model with Inception v2 feature extractor is utilized for the architecture. Due to the limited number of images, data augmentation and other overfitting methods are employed. The framework supports crack, burn, nick and dent damage types across all modules of turbofan engines. It is trained and validated with moderate to complex borescope images obtained from the field. The framework achieves 92.05% accuracy for nick or dent, 92.64% for crack and 81.14% for burn damage classes. Moreover, it achieves 88.61% average accuracy.
Benzer Tezler
- 3 boyutlu arazi üzerinde çoklu otonom insansız hava aracı rota planlaması
Autonomous multi unmanned aerial vehicles path planning on 3 dimensional terrain
NURİ ÖZALP
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHava Harp Okulu KomutanlığıBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Mixed finite element formulations for laminated beams and plates based on higher order shear deformation theories
Yüksek mertebe kayma deformasyon teorisine dayanan tabakalı kompozit kiriş ve plaklar için karışık sonlu eleman formülasyonları
YONCA BAB
Yüksek Lisans
İngilizce
2021
Makine Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AKİF KUTLU
- Ultrasonik ve eddy-current tahribatsız test yöntemleri ve F-4 uçağı bakım onarımında kullanımları
Ultrasonic & eddy-current non-destructive testing and usage on F-4 aircraft maintenance
ALİ KARADUMAN
Yüksek Lisans
Türkçe
1999
Makine MühendisliğiEskişehir Osmangazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ŞERİF KOMAÇ
- Aircraft icing detection, identification and reconfigurable control based on Kalman filtering and neural networks
Kalman filtresi ve yapay sinir ağları ile uçak buzlanmalarının tespiti, teşhisi ve yeniden şekilllendirilebilir kontrol
RAHMİ AYKAN
Doktora
İngilizce
2005
Havacılık Mühendisliğiİstanbul Teknik ÜniversitesiHavacılık Mühendisliği Ana Bilim Dalı
PROF.DR. ÇİNGİZ HACIYEV
Y.DOÇ.DR. FİKRET ÇALIŞKAN
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ