Hava araçlarında uzun kısa vadeli bellek yöntemiyle kestirimci bakım analizi
Predictive maintenance analysis using long short term memory method in air vehicles
- Tez No: 937958
- Danışmanlar: DOÇ. DR. SERKAN KURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Havacılık ve Uzay Mühendisliği, Uçak Mühendisliği, Computer Engineering and Computer Science and Control, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Aviyonik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Aviyonik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Havacılık alanında bakım, hava araçlarının performansı, güvenilirliği ve sürdürülebilirliği açısından büyük önem taşımaktadır. Reaktif bakım anlayışı, arızalar ortaya çıktıktan sonra düzeltici müdahaleler yapılmasını sağlamaktadır ancak bu yaklaşım endüstrinin ihtiyaçlarını tam olarak karşılayamamaktadır. Bu nedenle, arızalar ortaya çıkmadan önce önlem almayı hedefleyen proaktif bakım stratejileri giderek daha fazla benimsenmektedir. Proaktif bakım stratejilerinden biri olan kestirimci bakım, bir hava aracının ya da alt bileşenlerinin arıza yapmadan önceki sağlık yönetimi kapsamındaki verilerini takip ederek, olası arızaların zamanını tahmin etme çalışmaları olarak değerlendirilmektedir. Kestirimci bakım yöntemi, gerçekleşmek üzere olan bir arızayı belirlemenin yanında ekipman veya alt sistemlerin kalan kullanılabilir ömrünün tahmin edilebilmesini de sağlamaktadır. Bu kazanımların sonucu olarak hava araçlarının bakım ve operasyon kabiliyetlerinin daha planlı, az maliyetli, daha çok güvenilir olabileceği altyapı sağlanmaktadır. Bu çalışmada, kestirimci bakımın havacılık uygulamalarına entegrasyonunun önemi ve gelişiminin yanında Uzun Kısa Vadeli Bellek (Long Short Term Memory, LSTM) derin öğrenme yöntemi aracılığıyla gerçek değerlere yakınsayan Kalan Kullanılabilir Ömür (Remaining Useful Life, RUL) değerleri belirlenerek bakımda elde edilebilecek kazanımlar açıklanmaktadır. Uzun Kısa Vadeli Bellek modelleri arasında gerçek değerlere en çok yaklaşan tahmin modellerinin belirlenmesinde veri ön işleme tekniklerinin uygulanmasının önemi vurgulanmaktadır. Normalizasyon, filtreleme ve hiper parametre ayarları gibi farklı özelliklerin birlikte uygulandığı kombinasyon ile yapılan testlerin sonucunda elde edilen modelden daha yüksek doğruluk oranıyla tahminler elde edilebildiği gözlemlenmiştir. Bu model farklı bir veri seti üzerinde de aynı yöntemlerle geliştirilerek daha yüksek doğruluk oranına sahip farklı bir model daha elde edilmiştir. Gelecekteki araştırmalar için, farklı hava aracı sistemleri ve alt bileşenlerinin performansına odaklanarak, benzer veri üretim kapasitesine sahip sistemlerin belirlenmesi ve karşılaştırılması önerilmektedir. Ayrıca, geliştirilen modellerin RUL tahmini gibi uygulamalarla entegrasyonu ile, bakım süreçlerinin daha etkin yönetilmesine ve sistem arızalarının önceden tespit edilerek uçuş güvenliğinin ve operasyonel kullanılabilirliğin artırılmasına katkı sağlayabileceği vurgulanmaktadır.
Özet (Çeviri)
In the field of aviation, maintenance plays a crucial role in the performance, reliability, and sustainability of air vehicles. The reactive maintenance approach involves corrective interventions after failures occur; however, this approach does not fully meet the industry's needs. Therefore, proactive maintenance strategies, which aim to take preventive measures before failures arise, are increasingly being adopted. One of these proactive maintenance strategies, predictive maintenance, is regarded as the process of monitoring the data within the health management system of an aircraft or its components to predict the timing of potential failures. The predictive maintenance method not only helps identify imminent failures but also enables the prediction of the remaining useful life (RUL) of equipment or subsystems. As a result of these advantages, it provides a foundation for making aircraft maintenance and operational capabilities more planned, cost-effective, and reliable. This study draws attention to the importance and development of integrating predictive maintenance into aviation practices, along with determining the RUL converging to real values through the Long Short-Term Memory (LSTM) deep learning method, thereby explaining the potential benefits in maintenance. The importance of applying data preprocessing techniques in determining the predictive models that most closely approach real values among LSTM models is emphasized. Tests conducted with combinations of different features, such as normalization, filtering, and hyperparameter tuning, showed that predictions with higher accuracy could be achieved from the model obtained. Additionally, a different model with higher accuracy was developed using the same methods on a different dataset. For future research, it is recommended to focus on the performance of different aircraft systems and subcomponents, identifying and comparing systems with similar data production capabilities. Furthermore, it is emphasized that integrating the developed models with applications such as RUL prediction can contribute to more efficient management of maintenance processes and the early detection of system failures, ultimately improving flight safety and operational availability.
Benzer Tezler
- Improved helicopter classification via deep learning and overlapped range-doppler maps
Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması
DENİZ CAN ACER
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Quadrotor actuator fault detection and isolation. a model-based approach
Döner kanat aktüatör arıza tespiti ve izolasyonu. model tabanlı bir yaklaşım
MUHAMMED ARSLAN
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
- Orthogonality based feature selection for ai applications
Yapay zeka uygulamaları için ortogonalite tabanlı öznitelik seçimi
MEHMET SELAHADDİN ŞENTOP
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Energy demand forecasting in fog computing based microgrids using ensemble learning
Sis bilişimi tabanlı mikro şebekelerde topluluk öğrenme ile enerji talep tahmini
TUĞÇE KESKİN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Reconstruction of river flows by era5 reanalysis dataset and long short-term memory models
Era5 reanalı̇z verı̇ setı̇ ve uzun kısa sürelı̇ bellek modellerı̇ ı̇le nehı̇r akımlarının yenı̇den oluşturulması
İSMAİL ÜNLÜTÜRK
Yüksek Lisans
İngilizce
2024
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ERCAN