Anomaly detection in unmanned aerial vehicles: A comprehensive study of hybrid deep neural network methods for edge-based applications
İnsansız hava araçlarında anomali tespiti: Uç birim tabanlı uygulamalar için hibrit derin sinir ağı yöntemlerinin kapsamlı bir çalışması
- Tez No: 857057
- Danışmanlar: DOÇ. DR. NİHAN KAHRAMAN, DR. ÖĞR. ÜYESİ MURAT TAŞKIRAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 88
Özet
İnsansız Hava Aracı (İHA) kullanımı son yıllarda dünya çapında önemli ölçüde artmış ve ulaşım, eğlence, askeri ve endüstri sektörlerinde büyük fayda sağlamıştır. İnsansız hava araçlarının güvenilirliğini ve güvenliğini artırmak sistemdeki arızalı bileşenlerin tespitini ve bunun için uçuş anomalilerinin erken teşhis edilmesini ve sensör verilerinin sürekli izlenmesini gerektirir. Mevcut çalışma, hibrit derin sinir ağı yaklaşımı kullanılarak insansız hava araçlarının uç birim tabanlı uygulamalarında anomalilerin tespit edilmesini amaçlamaktadır. Bu çalışma, insansız hava araçlarının anormal uçuş sensör verilerini tespit etmek için yerleşik sistemlerin kullanımına uygun yeni bir yaklaşım önermektedir. Bu amaca ulaşmak için insansız hava araçlarının sensörlerinden toplanan veriler analiz edilmiş ve anormal uçuş şekillerini tespit etmek için bir sınıflandırma yöntemi geliştirilmiştir. Buna ek olarak uçuş sensörlerindeki anormalliklerin tespiti için ise bir regresyon yöntemi önerilmiştir. Bu yöntemlerin etkinliği, hem literatürdeki mevcut uçus sensör veri kümeleri hem de bu çalışma için özel olarak oluşturulmuş bir veri kümesi kullanılarak değerlendirilmiştir. Ayrıca çalışma kapsamında uçuş sensör verileri toplanarak etiketlenmiş ve bu veri seti hem sınıflandırma hem de regresyon tekniklerini değerlendirmek için kullanılmıştır. Ayrıca uçuş anormalliklerini tespit etmek için bir sınıflandırma yöntemini, sensör analizi için bir regresyon yöntemiyle birleştiren hibrit yaklaşımı analiz etmek için de bu veri seti kullanılmıştır. Hibrit yaklaşımın sınırlı bellek kaynaklarına sahip, gücü kısıtlı cihazlar üzerindeki etkinliğini değerlendirmek amacıyla ise Raspberry Pi geliştirme kartı test platformu olarak kullanılmıştır. Ayrıca uçta sürekli model eğitimi yapılmasını mümkün kılan bir model güncelleme yöntemi de geliştirilerek test edilmiştir. Çalışmanın sonuçları analiz edildiğinde, önerilen AnoSense sınıflandırma ve TCN-SMA regresyon yöntemlerinin, anormallik tespiti ve sensör veri tahmini açısından diğer klasik derin sinir ağı modellerine göre daha iyi performans gösterdiği belirlenmiştir. Ek olarak önerilen hibrit yöntemin, anomali tespiti, anlık sensör veri analizi ve anomali veri noktalarının etiketlenmesinde başarılı olduğu görülmüştür. Ayrıca, önerilen hibrit anomali tespit yaklaşımının, anomali tespiti ve düzeltici kontrol komutları sağlama becerisinin son derece önemli olduğu sınırlı kaynaklara sahip hava araçlarını içeren uygulamalarda başarıyla uygulanabileceği gösterilmiştir. Tez sonucunda İHA sensörlerindeki anormalliklerin tespitine yönelik hibrit bir yöntem geliştirilmiş ve bu yöntemin anormallik tespitinde gerçek zamanlı bir çözüm olarak etkinliği bulgularla doğrulanmıştır.
Özet (Çeviri)
Unmanned Aerial Vehicle (UAV) usage has increased significantly in the past few years all over the world, with major benefits in the transportation, entertainment, military, and industrial sectors. Improving the dependability and safety of UAVs requires early identification of flight anomalies and continuous monitoring of sensor data in order to identify malfunctioning components in the system. The present work focuses on detecting anomalies in edge-based applications of UAVs using a hybrid deep neural network approach. This study offers a novel approach that is well-suited for the utilization of onboard systems in UAVs for detecting anomalies in flight sensor data. To achieve this objective, the data collected from UAV sensors was analyzed, and a classification method was developed to identify abnormal flying patterns. Additionally, a regression method was also proposed to detect anomalies in UAV sensors. The effectiveness of these methods was assessed by utilizing both existing UAV datasets from the literature and a dataset specifically generated for the study. Furthermore, as part of the study, data obtained via flight sensors has been collected and labeled. Subsequently, this dataset was utilized to assess both classification and regression techniques and it served as a way to analyze the proposed hybrid approach that combines a classification method for detecting flight anomalies with a regression method for sensor analysis. In order to assess the effectiveness of the hybrid method on power-constrained devices with limited memory resources, a Raspberry Pi development board was utilized as the testing platform. In addition, a model update feature, which made it possible to conduct continuous model training on the edge, was developed and evaluated. When the outcomes of the study were analyzed, it was determined that the recommended AnoSense classification and TCN-SMA regression methods demonstrated improved performance in terms of anomaly detection and sensor data prediction than the other compared classical deep neural network models. In addition, the hybrid method that has been presented is capable of efficient anomaly detection, analysis of each instantaneous sensor data, and labeling of anomaly data points. Additionally, it has been demonstrated that the hybrid anomaly detection approach that has been presented can be successfully used for applications involving UAVs that have limited resources, where it is of the utmost importance to have the ability to detect anomalies onboard and provide remedial control commands promptly. As a result of the thesis, a hybrid method for detecting anomalies in UAV sensors has been devised, and its effectiveness as a real-time solution for anomaly detection has been validated by the findings.
Benzer Tezler
- İnsansız hava aracı sistemleri uçuş verilerinde zamansal ve konumsal çizge ağları ile anomali tespiti
Anomaly detection in unmanned aerial vehicle systems flight data with temporal and spatial graph networks
MUHAMMED YAVUZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Dengesiz veri setlerinde sınıflandırma problemlerinin çözümünde melez yöntem uygulaması
Hybrid method application to solve classification problems in imbalanced datasets
MESTAN ŞAHİN PİR
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. DUYGU YILMAZ EROĞLU
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Toplum güvenliği ve kişisel mahremiyet için insansız hava aracı anomali tespiti
Unmanned aerial vehicle anomaly detection for public safety and personal privacy
TANSEL ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞENGÜL BAYRAK HAYTA
- Eski bir askeri sahada İHA sistemleri kullanılarak patlamış ve patlamamış mühimmatların tespiti için havadan manyetik ile araştırılması
Aerial magnetic search for the detection of explosed and unexplosed munitions using UAV systems in an old military field
COŞKUN ERTUĞRUL
Yüksek Lisans
Türkçe
2023
Jeofizik MühendisliğiSakarya ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN KESKİNSEZER