Turbofan motorlarda faydalı ömür tahmini için yapay sinir ağlarına dayalı model geliştirilmesi
Development of a neural network-based model for remaining useful life prediction in turbofan engines
- Tez No: 965861
- Danışmanlar: DOÇ. DR. MEHMET KONAR, DOÇ. DR. OĞUZ BEKTAŞ
- Tez Türü: Doktora
- Konular: Havacılık ve Uzay Mühendisliği, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 179
Özet
Bu doktora tezinde, turbofan tipi gaz türbinli motorların kalan faydalı ömrünü (KFÖ) tahmin etmek amacıyla yapay sinir ağı (YSA) tabanlı prognostik modeller geliştirilmiştir. Havacılık sektöründe motor arızalarının önceden öngörülebilmesi, operasyonel güvenliği artırmakta ve bakım maliyetlerini önemli ölçüde azaltmaktadır. Bu çalışma, geleneksel bakım yaklaşımlarının ötesine geçerek, veri odaklı kestirimci bakım stratejileri geliştirmeyi hedeflemiştir. NASA C-MAPSS FD002 turbofan motor veri seti kullanılarak; makine öğrenmesi, derin öğrenme ve dikkat mekanizmalı dönüştürücü modellerle kapsamlı bir deneysel çalışma yürütülmüştür. Veri ön işleme aşamasında rejim normalizasyonu, boyut indirgeme, özellik seçimi ve sağlık indeksi (HI) oluşturma gibi teknikler sistematik şekilde uygulanmıştır. Monotonluk, kestirilebilirlik ve eğilimlilik kriterlerine dayalı seçimle en anlamlı 10 sensör belirlenmiştir. Çalışmada üç farklı derin öğrenme mimarisi geliştirilmiştir: Uzun Kısa Süreli Bellek (LSTM) ağları, 1D Evrişimsel Sinir Ağı + LSTM hibrit modeli ve zaman-temelli dikkat mekanizmalı dönüştürücü (transformer) modeli. Model eğitiminde veri artırma teknikleri kullanılarak özellikle erken dönem arızaların tahmin başarımı artırılmıştır. KFÖ tahmininde hem doğrudan regresyon hem de benzerlik tabanlı yöntemler uygulanmıştır. Sensör verilerinin uzunluk gruplarına göre yapılan performans analizleri sonucunda, Uzunluk-Temelli Karma Tahminci (UTKT) hibrit modeli önerilmiştir. Özellikle kısa sensör geçmişine sahip motorlarda daha yüksek doğruluk sağlamış ve tekli modellere kıyasla PHM08 skorlarında iyileşme elde edilmiştir.
Özet (Çeviri)
In this doctoral dissertation, artificial neural network (ANN)-based prognostic models were developed to estimate the remaining useful life (RUL) of turbofan-type gas turbine engines. Predicting engine failures in the aviation sector enhances operational safety and significantly reduces maintenance costs. This study aims to go beyond traditional maintenance approaches by developing data-driven predictive maintenance strategies. Acomprehensive experimental study was conducted using the NASA C-MAPSS FD002 turbofan engine dataset with machine learning, deep learning, and attention-based transformer models. The data preprocessing phase included systematic techniques such as regime normalization, dimensionality reduction, feature selection, and health index (HI) construction. Based on monotonicity, prognosability, and trendability criteria, the 10 most relevant sensors were selected. Three different deep learning architectures were developed: Long Short-Term Memory (LSTM) networks, a 1D Convolutional Neural Network + LSTM hybrid model, and a time-based attention transformer model. Data augmentation techniques were employed during training to improve prediction performance, particularly for early-stage faults. Both direct regression and similarity-based methods were applied for RUL estimation. Based on performance analysis across different sensor sequence lengths, a hybrid model called the Length-Based Hybrid Estimator (LBHE) was proposed. This model improved accuracy for engines with shorter sensor histories and outperformed single models in PHM08 scores.
Benzer Tezler
- Turbofan uçak motoru ve rulman verilerinde kaskat derin öğrenme modelleriyle kestirimci
Predictive maintenance on turbofan aircraft engine and bearing data with cascade deep learning models
ADEM AVCI
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN ACIR
PROF. DR. HAKAN GÜRKAN
- Kestirimci bakımda hibrit prognostik yaklaşımlar kullanılarak kalan faydalı ömür tahmini
Remaining useful life estimation using hybrid prognostic approaches for predictive maintenance
KIYMET ENSARİOĞLU
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL EMEL
PROF. DR. TÜLİN İNKAYA
- Turbo fan motorların kalan faydalı ömür tahminlemesi için makine öğrenmesi temelli sistematik bir yaklaşım
A systematic approach based on machine learning for estimating the remaining useful life of turbo fan engines
MAHMUT SAMİ ŞAŞMAZTÜRK
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA KAPAN ULUSOY
DOÇ. DR. METE ÇELİK
- Meta-sezgisel algoritmalar kullanılarak derin öğrenme ağlarında kalan faydalı ömür tahmini
Remaining useful life prediction using meta-heuristic algorithms and deep learning methods
BÜŞRA ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. SULTAN ZEYBEK
- Makine öğrenmesi ile turbofan motorların geriye kalan yararlı ömrünün tahminlemesi
Predicting the remaining useful life of turbofan engines with machine learning
SEDA NUR BOZKURT
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA KAPAN ULUSOY