Geri Dön

Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning

Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım

PDF İndir

  1. Tez No: 954777
  2. Yazar: TALHA GÜÇLÜ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 85

Özet

Uçakların güvenli ve sürdürülebilir şekilde operasyonel kalabilmesi için uygulanan bakım faaliyetleri, uluslararası standartlar çerçevesinde planlı ve düzenli bir şekilde yürütülmelidir. Uçak bakım planlaması, hem üretici firmaların (OEM - Original Equipment Manufacturer) teknik dokümantasyonu hem de sivil havacılık otoritelerinin (örneğin SHGM, EASA ve FAA) mevzuatına uygun biçimde hazırlanır. Bu sürecin temel taşı, üretici tarafından yayımlanan Maintenance Planning Document (MPD) adlı belgedir. MPD, bir uçağın ömrü boyunca gerçekleştirilmesi gereken tüm bakım görevlerini zaman veya kullanım temelli olacak şekilde sınıflandırır. Bu görevler“Lubrication”,“General Visual Inspection”,“Detailed Inspection”gibi farklı kategorilere ayrılır. Ancak MPD doğrudan uygulanabilir bir plan değil; aksine, her operatörün kendi operasyonel şartlarını gözeterek oluşturacağı Aircraft Maintenance Programme (AMP) için bir temel sağlar. Operatörler, MPD'de yer alan görevleri kendi uçuş profilleri, coğrafi koşulları, filo yapıları ve bakım altyapılarına göre adapte etmek zorundadır. Bu kapsamda, üreticinin önerdiği bakım sıklığı ve kapsamı, operatörün ihtiyaçları doğrultusunda esnetilebilir ya da daraltılabilir. Bu uyarlama süreci sivil havacılık otoritelerinin onayı ile yürütülür. Ayrıca bazı görevler, Airworthiness Limitations (AWL) veya Certification Maintenance Requirements (CMR) kapsamında olup, değiştirilmeden uygulanmak zorundadır. Tüm bu yapı, planlı bakımın sistematik çerçevesini oluşturur. Ancak bu planlı yapıya rağmen, uçak bakımında karşılaşılan en büyük zorluklardan biri, bakım sırasında beklenmedik şekilde ortaya çıkan, plan dışı (non-routine) işlerin doğru şekilde öngörülememesidir. İşte bu noktada“Non-Routine Card”(NRC) olarak tanımlanan kayıtlar devreye girer. Bu kartlar, bakım sırasında yapılan inceleme görevleri neticesinde tespit edilen ilave hasar, arıza veya aşınmalara yönelik düzenlenir. NRC'ler bakım süresini uzatır, maliyeti artırır ve planlamayı sekteye uğratır. Bu nedenle, NRC oluşumunun ve iş yükünün önceden tahmin edilmesi, bakım verimliliği açısından kritik öneme sahiptir. Uçak bakım-onarım süreçleri, havacılık sektöründe güvenliğin sürdürülebilirliğini sağlayan en kritik alanlardan biridir. Uçuş emniyetinin teminat altına alınması yalnızca tasarım mühendisliğiyle değil, aynı zamanda periyodik, planlı ve etkili bakım uygulamalarıyla mümkündür. Bu bağlamda uçakların teknik uygunluklarının korunması, ciddi şekilde organize edilmiş bakım sistemlerine ve bu sistemlerin verimli bir şekilde işletilmesine bağlıdır. Ancak, planlı bakım prosedürleri sırasında sıklıkla karşılaşılan plan dışı bulgular, yani Non-Routine Card (NRC) ile tanımlanan işler, bakım planlamasında ciddi belirsizlik ve aksamalara neden olmaktadır. Özellikle ağır bakım kategorisinde yer alan C ve D tipi kontrollerde, bakım sürecinin doğal bir parçası olan detaylı görsel ve fonksiyonel muayeneler sonucunda sıkça NRC kaydı açılmakta, bu da iş gücü, parça temini ve zaman planlamasında zorluklara yol açmaktadır. Uygulamada, bazı bakım paketlerinde NRC kaynaklı iş yükü toplam iş gücünün %50'sini dahi aşabilmektedir. Bu derece öngörülemeyen bir iş yükünün tahmin edilmesi, bakım yöneticileri için operasyonel verimlilik ve kaynak tahsisi açısından büyük avantajlar sağlayabilir. Bu gereklilikten hareketle hazırlanan bu tez çalışmasında, bir MRO (Maintenance, Repair and Overhaul) kuruluşunun ağır bakım verilerinden hareketle, görev kartı düzeyinde NRC kaynaklı iş yükünün makine öğrenmesi (ML) teknikleriyle tahmin edilmesi amaçlanmıştır. Bu tez çalışmasının temel amacı, planlı görev kartlarının bakım sürecinde NRC üretip üretmeyeceğini ve üretirse buna karşılık gelen toplam adam/saat yükünün ne olacağını önceden öngörebilen bir tahminleme sistemi geliştirmektir. Bu kapsamda oluşturulan modelleme yapısı iki aşamalıdır. İlk aşamada sınıflandırma algoritmaları kullanılarak görev kartının NRC üretip üretmeyeceği (HAS_NRC) ve tahmini kaç adet NRC üretileceği (NRC_TASK_COUNT) belirlenmeye çalışılmıştır. İkinci aşamada ise yalnızca NRC üreteceği tahmin edilen görev kartlarına odaklanılarak, bu kartlara ait NRC'lerin toplam adam/saat değerleri regresyon algoritmalarıyla tahmin edilmiştir. Modelin temel motivasyonu, klasik yöntemlerin —örneğin geçmiş ortalamalar veya sabit oranlar kullanarak yapılan tahminlerin— günümüzün karmaşık ve değişken bakım süreçlerini yansıtmakta yetersiz kaldığına dair gözlemlerden kaynaklanmaktadır. Günümüzde kullanılan düz tahmin yöntemleri, uçak tipi, uçuş geçmişi, bakım lokasyonu, görev kartı içeriği, uçak yaşı gibi faktörlerin etkisini göz ardı etmektedir. Bu çalışma, bu parametreleri entegre bir yaklaşımla ele alarak, daha doğru ve güvenilir tahminler üretmeyi hedeflemektedir. Çalışmada kullanılan veri seti, Türkiye'de faaliyet gösteren bir MRO kuruluşunun ağır bakım operasyonlarından elde edilmiştir. Toplamda 17.905 satır ve 33 sütundan oluşan bu veri seti, uçak bakım paketleri (WO), görev kartları (TASK_CARD), görev kartı açıklamaları (TC_DESCRIPTION), bakım başlangıç/bitiş tarihleri, uçak tipi, görev kartı beceri alanı (TASK_SKILL), uçak yaşı (AGE), toplam uçuş saat ve döngüleri gibi çok çeşitli değişkenleri içermektedir. Veri setinin yapısı, görev kartı bazlıdır. Her görev kartı bir bakım paketi içinde yer almakta ve NRC'lerle ilişkilendirilebilmektedir. Bu yapı, uçak bakımı için tipik olan hiyerarşik yapıyı yansıtır: bir WO altında birçok TASK_CARD yer almakta ve her TASK_CARD birden fazla NRC üretebilmektedir. Bu durum, veri sızıntısı gibi riskleri önlemek için GroupKFold gibi özel çapraz doğrulama stratejilerini zorunlu kılmaktadır. Hedef değişken olan NRC_ACT_MH_SUM, her görev kartı için açılmış olan tüm NRC'lerin toplam adam/saat değerini ifade etmektedir. Ancak bu değişkenin yapısı oldukça sağa çarpık (positively skewed) olup, gözlemlerin yaklaşık %83'ünde sıfır değeri alması sebebiyle tahminleme modelleri açısından ciddi bir zorluk teşkil etmektedir. Modelin başarısı büyük ölçüde veri hazırlama ve öznitelik mühendisliği süreçlerine bağlıdır. Zaman temelli değişkenler datetime formatına dönüştürülerek uçak yaşı, önceki bakım arası süreler (DAYS_SINCE_LAST_SAME_AC), uçuş sayısı ve saatleri gibi öznitelikler türetilmiştir. Eksik değerler dikkatli şekilde işlenmiş; örneğin ilk kez bakıma gelen uçaklar için zaman bazlı değişkenlerin NaN olması durumu,“IS_FIRST_MAINTENANCE”adlı özel bir değişkenle gösterilmiştir. Kategorik veriler, kardinaliteye göre one-hot encoding ve label encoding teknikleriyle dönüştürülmüştür. Özellikle görev kartı açıklamaları (TC_DESCRIPTION), metin madenciliği (text mining) kapsamında TF-IDF yöntemiyle vektörleştirilmiş, bu sayede“inspection”,“structure”,“gvi”,“tank”gibi teknik terimlerin tahminleme gücü modele kazandırılmıştır. Ayrıca bakım kartının önceki bakım geçmişi (TASK_CARD_UNIQUE_WO_COUNT_UNTIL_DATE), tahmini adam/saat değeri (EST_MH) gibi değişkenler de modele dahil edilmiştir. Modelleme iki aşamalı bir yaklaşımla gerçekleştirilmiştir. İlk aşamada görev kartının NRC üretip üretmeyeceği sınıflandırma (classification) modelleriyle tahmin edilmiştir. CatBoostClassifier en başarılı sonuçları vermiş, ardından NRC sayısı CatBoostRegressor ile tahmin edilmiştir. Tahmin performansı, özellikle TF-IDF öznitelikleri sayesinde önemli ölçüde artmıştır. İkinci aşamada ise yalnızca NRC oluşturacağı öngörülen görev kartlarına yönelik olarak, bu kartların NRC kaynaklı toplam iş yükü tahmin edilmiştir. Bu aşamada Random Forest, LightGBM, XGBoost ve CatBoost regresyon modelleri denenmiştir. En başarılı sonuç, %36.3 R² skoru ile LightGBM modeli tarafından elde edilmiştir. Ancak yüksek sıfır yoğunluğu ve sağa çarpık dağılım, modellerin yüksek uçlardaki tahmin gücünü sınırlamıştır. Modelin başarı düzeyi çok sayıda metrikle değerlendirilmiştir: R², MAE, RMSE, MAPE, MSLE, RMSLE, MALogE ve MSPE gibi. Sıfır yoğunluğu nedeniyle logaritmik ve yüzde tabanlı metrikler daha anlamlı içgörüler sunmuştur. Modelin en güçlü yönlerinden biri, bakım planlaması sırasında görev kartı düzeyinde riskli kartları önceden belirleyebilmesi ve yöneticilere zaman, kaynak ve iş gücü tahsisi konusunda karar desteği sağlayabilmesidir. Özellikle TF-IDF ile işlenmiş görev kartı açıklamaları, klasik sayısal değişkenlere kıyasla tahmin gücünü anlamlı ölçüde artırmıştır.“Detailed inspection”,“cargo door”,“visual check”gibi teknik terimler içeren açıklamalar NRC oluşumuyla güçlü korelasyonlar göstermiştir. Ayrıca görev kartının geçmişte kaç kez uygulandığı gibi tekrarlılık göstergeleri de modelin başarısını desteklemiştir. Bu tez çalışması, uçak bakım planlamasında görev kartı düzeyinde iş yükü tahmini için uygulanabilir bir makine öğrenmesi modeli ortaya koymuştur. Klasik sabit oran yaklaşımlarının aksine, metin verisi dahil çok boyutlu veri kaynaklarını entegre eden bu yapı, bakım süreçlerinin dijitalleşmesine katkı sağlamaktadır. Ayrıca, bakım teknisyeni deneyimi, hangar doluluğu, sezon etkisi gibi bağlamsal değişkenlerin gelecekte modele entegre edilmesiyle tahmin gücünün daha da artacağı öngörülmektedir. Bunun yanında, sıfır yoğunluğu yüksek hedef değişkenler için Zero-Inflated Poisson (ZIP) ve Hurdle modellerinin uygulanması, zaman serisi modellemeleriyle döngüsel bakım örüntülerinin keşfi, SHAP ve LIME gibi açıklanabilir yapay zekâ tekniklerinin entegrasyonu gibi yöntemlerle modelin hem doğruluğu hem de şeffaflığı artırılabilir. Bu çalışma, planlı bakım sürecinde ortaya çıkabilecek plan dışı iş yükünün görev kartı düzeyinde makine öğrenmesi ile tahmin edilmesini hedefleyen sayılı araştırmalardan biridir. Kullanılan veriler gerçek bir MRO'dan alınmış olup, önerilen modelleme çerçevesi hem teorik olarak literatüre katkı sunmakta hem de sektörel uygulamalarda operasyonel verimliliği artırabilecek potansiyele sahiptir. Bakım planlaması süreçlerinde insan faktörünün yoğun olduğu, verinin çok boyutlu ve karmaşık yapılar içerdiği senaryolarda dahi, veri-temelli yaklaşımların sağladığı avantajlar bu tez ile bir kez daha ortaya konmuştur. Gerçek operasyon verileriyle eğitilen model, bakım planlamasında verimliliği artırmak, iş gücü tahsisini optimize etmek ve bakım sürelerini kısaltmak açısından uygulanabilir bir karar destek sistemi sunmaktadır. Sivil havacılıkta veri odaklı bakım stratejilerinin gelişmesi açısından bu tez, hem akademik hem sektörel alanda anlamlı bir katkı niteliğindedir.

Özet (Çeviri)

Aircraft maintenance planning has increasingly become a critical area of research due to the high operational costs and complexity associated with unexpected maintenance demands. Since aircraft maintenance and repair is a complex and human factor-intensive field of activity, unexpected failures are frequently encountered during maintenance. Non-routine damage findings encountered during aircraft maintenance and repair activities cause great difficulties in maintenance planning. The unpredictability of the encountered findings makes it difficult to prepare resources such as man/hour supply, materials, tools and components before maintenance. Although civil aviation maintenance and repair procedures are standardized in a certain systematic manner by civil aviation authorities and aircraft manufacturers, damages encountered during maintenance can only be accurately identified through inspection or testing. Therefore, data-driven prediction models have gained importance in improving operational efficiency and planning by predicting the workload of unplanned findings. Studies in the field of machine learning in aircraft maintenance and repair mostly focus on anomaly detection, component fault detection, component remaining useful life (RUL) prediction from sensor signal records on the aircraft. Some studies have focused on unplanned material requirements using maintenance historical data. Most of the studies in the literature focus on classification problems rather than workload prediction and use simplified and synthetic data sets without considering parameters such as hierarchical structures, flight history, time between two maintenance. In this study, a modeling framework is presented using real historical data of an aircraft maintenance and repair organization (MRO) to predict the total man/hour values of non-routine tasks encountered in scheduled maintenance cards using machine learning methods in order to fill the mentioned literature gap. In addition to time-based variables, variables such as maintenance type, aircraft type and age, content of maintenance cards (task description), cumulative flight hours and number of flights performed by the aircraft until the relevant maintenance card is applied are used in the dataset. However, the structural and statistical characteristics of the target value, such as its right-skewed distribution structure in the dataset, its sparsity in the data, its inclusion in the time-based supergroups (Maintenance Package) and its density at the zero value, necessitated more careful data cleaning and preparation processes before modeling and led to more appropriate strategies for estimation. In the data cleaning and preparation processes, variables such as low category maintenance card task type, aircraft type and maintenance type etc. were made ready for modeling with one-hot encoding, while variables such as high category maintenance card content and description, aircraft tail code etc. were made ready for modeling with label encoding method. In addition, new variables that were not included in the raw data set, such as the number of flight hours and the number of flights performed by the aircraft between the two maintenance, and the number of times the maintenance card was previously applied in the maintenance organization, were generated from the data set and used in the modeling. In order to prevent data leakage during the modeling, cross-validation method with GroupKFold was used for maintenance package (Work Order) information. For this reason, it was ensured that the operationally interdependent maintenance cards were only on one side of the train/test separation before modeling, since they were in the same maintenance package. Thus, each fold was created to include maintenance packages not previously seen by the model in the test data set. In the study, a two-stage modeling was adopted and the number of unplanned openings was first estimated with the Random Forest algorithm. The output of the first estimation is included in the dataset as a new variable in the second stage of the model. In the second stage of the model, various regression algorithms such as Linear Regression, Random Forest, XGBoost, LightGBM and CatBoost were used and compared to estimate the man/hour value of unplanned workload. As a result, it was observed that especially the decision tree-based algorithms such as LightGBM and CatBoost performed better than other algorithms. Thus, it is concluded that aircraft maintenance and repair processes, which are complex in nature and where the human factor is intense, can provide significant predictive power when supported by the right structural strategies.

Benzer Tezler

  1. Tez No

    927725

    Uçak bakımlarının gürbüz (Robust) planlanması

    Robust planning of aircraft maintenance

    MEHMET İKBAL KARACA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiGebze Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FİGEN ÖZTOPRAK TOPKAYA

  2. Tez No

    398077

    Gemi sefer yönetiminde enerji verimliliğinin optimizasyonu

    The optimization of ship voyage management energy efficiency

    ELİF BAL BEŞİKÇİ

    Doktora

    Türkçe

    Türkçe

    2015

    Denizcilikİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZCAN ARSLAN

  3. Tez No

    66156

    Yeraltısuyu akım modellemesinde coğrafi bilgi sisteminin kullanımı

    Use of geographic information system in groundwater flow modeling

    BURHAN TEOMAN MERİÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Jeoloji MühendisliğiHacettepe Üniversitesi

    Jeoloji (Hidrejeoloji) Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. LEVENT TEZCAN

  4. Tez No

    485196

    Design and implementation of a torque-based predictive steering assistance for human-centered and safe automated driving

    İnsan-merkezli ve güvenli otomatik sürüş için tork tabanlı öngörümlü direksiyon yardımcı sisteminin tasarımı ve gerçeklenmesi

    ZİYA ERCAN

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÖKAŞAN

  5. Tez No

    953177

    Contributions to machine learning in biomedical informatics

    Biyomedikal enformatikte makine öğrenmesine katkılar

    İNCİ MELİHA BAYTAŞ

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMichigan State University

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ANIL KUMAR JAIN

Geri Dön