Havacılık endüstrisinde prognostik sağlık yönetimi ve veri madenciliği
Data mining and prognostic health management in the aviation industry
- Tez No: 859522
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHARREM MERCİMEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Uçak Mühendisliği, Havacılık ve Uzay Mühendisliği, Computer Engineering and Computer Science and Control, Aeronautical Engineering, Aeronautical Engineering
- Anahtar Kelimeler: Askeri havacılık, Askeri uçaklar, Hücresel yapay sinir ağları, Kestirimci bakım sistemleri, Nakliye uçakları, Sivil havacılık işletmeleri, Ticari uçaklar, Uçak motorları, Yapay sinir ağları, Ön kestirim modelleri, Military aviation, Military aircraft, Cellular artificial neural networks, Predictive maintenance systems, Transport aircrafts, Civil aviation companies, Commercial aircrafts, Aircraft engines, Artificial neural networks, Prediction models
- Yıl: 2024
- 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: Belirtilmemiş.
Özet
Havacılıkta, Prognostik Sağlık Yönetimi (PHM), uçak bileşenlerinin sağlığını ömürleri boyunca izleyen ve öngörücü bakım imkânı sağlayan karmaşık ve maliyetli bir sistemdir. Dünyada yaygın olarak kullanılsa da Türkiye havacılık endüstrisine veri madenciliğinin entegre edilememesinden dolayı yeterince yaygınlaşamamıştır. Bu çalışmanın amacı, endüstri deneyimleriyle PHM konseptini özetlemek ve veri madenciliğinin yaygınlaşabilmesi için literatürdeki uygulamaları inceleyerek, maliyet etkin ve pratik bir bakış açısıyla endüstri ile literatür arasındaki boşluğu azaltmaktır. Bu çalışmada, PHM'in ana hedefi olanprognostik ve RUL tahmini üzerinde durularak, uçak motorları, aviyonikler, yapısallar ve elektrik sistemleri için uygulanan yaklaşımlar incelenmiştir. İncelemelere göre, derin öğrenme modeli ve prognostik yaklaşım seçimi konusunda yönlendirmeler yaygındır; ancak veri ön işleme tekniklerinin ve adımlarının seçimi konusundaki yönlendirmeler sınırlıdır. Bu çalışmada, veri ön işleme adımları ve tekniklerinin kıyaslandığı örnek bir uygulama yapılmış ve gelecek çalışmalar için daha kapsamlı kıyaslamalar yapılmasının gerekliliği vurgulanmıştır. RUL tahmininde yaygın olarak kullanılan Uzun Kısa Vadeli Bellek (LSTM) modeli seçilmiş ve havacılıkta maliyet etkinliği nedeniyle veri tabanlı prognostik yaklaşıma odaklanılmıştır. Filtreleme adımı için Savitzky-Golay (SG), Üstel Ağırlıklı Ortalama (EMA) ve Dalgacık Dönüşümü, normalizasyon için ise minimum-maksimum ve z-skoru teknikleri seçilmiştir. Uçak motorlarının simülasyon verileri kullanılarak bu tekniklerle farklı veri ön işleme kombinasyonları belirlenmiştir ve LSTM modeli üzerinde uygulanarak, performansına etkisi kök ortalama kare hatası (RMSE) ve Pearson korelasyon kat sayısı (PCC) metrikleri ile incelenmiştir. Bulgulara göre, en yüksek performansın elde edildiği, SG filtreleme ile z-skoru normalizasyonunun birlikte uygulandığı senaryo olmuştur ve RMSE için 13,57 ve PCC için 0,9466 değerleri elde edilmiştir. Ayrıca, normalizasyon teknikleri arasında en iyi performansı z-skoru göstermiş, özellikle EMA ve SG filtreleme ile birlikte uygulandığında daha iyi performans sonuçları elde edilmiştir. Ancak, dalgacık dönüşümü tekniği ile birlikte uygulandığında, minimum-maksimum tekniğinin uygulandığı senaryoya göre model performansının düştüğü gözlemlenmiştir. Farklı tipte veri ön işleme adımlarının birbirlerine olan etkisinin, model performansında farklı sonuçlara neden olabileceği ve bu adımların kombinasyonlarının kıyaslanmasının önemi vurgulanmıştır.
Özet (Çeviri)
In aviation, Prognostics Health Management (PHM) is a complex and costly system that monitors the health of aircraft components throughout their lifetime and enables predictive maintenance. Although it is widely used in the world, it has not become widespread enough due to the lack of integration of data mining in the Turkish aviation industry. The aim of this study is to summarise the PHM concept with industry experiences and to reduce the gap between the industry and the literature by examining the applications in the literature for the widespread use of data mining from a cost-effective and practical perspective. In this study, the main objective of PHM, prognostics and RUL prediction, is focused and the approaches applied for aircraft engines, avionics, structures and electrical systems are investigated. According to the research, guidance on the selection of deep learning models and prognostic approaches is common, but guidance on the selection of data pre-processing techniques and steps is limited. This study presents a sample application comparing data pre-processing steps and techniques, and highlights the need for more comprehensive comparisons for future studies. The Long Short-Term Memory (LSTM) model, which is widely used in RUL prediction, is selected and the focus is on a data-driven prognostic approach due to its cost effectiveness in aviation. Savitzky-Golay (SG), Exponential Weighted Average (EMA) and Wavelet Transform are chosen for the filtering step, while minimum-maximum and z-score techniques are chosen for normalization. Using simulation data of aircraft engines, different combinations of data pre-processing with these techniques were identified and applied on the LSTM model and their effect on its performance was analysed by root mean square error (RMSE) and Pearson correlation coefficient (PCC) metrics. According to the findings, the highest performance was obtained in the scenario where SG filtering and z-score normalization were applied together, and values of 13.57 for RMSE and 0.9466 for PCC were obtained. Moreover, z score showed the best performance among the normalization techniques, especially when applied together with EMA and SG filtering, better performance results were obtained. However, when applied together with the wavelet transform technique, it was observed that the model performance decreased compared to the scenario where the minimum-maximum technique was applied. It is emphasised that the effect of different types of data pre-processing steps on each other may lead to different results in model performance and the importance of comparing the combinations of these steps is emphasised.
Benzer Tezler
- Havacılık endüstrisinde kullanılan elyaf takviyeli plastik malzemeler ve yorulma davranışları
Fiber reinforced plastic materials used in aircraft industry and their fatigue behaviors
HÜNKAR URFALIOĞLU
- Havacılık endüstrisinde kullanılan ultrasonik ve girdap akımları tekniklerinin uygulama alanları
Ultrasonic and eddy current technichs applications in aviation industry
ORKUN TUNÇKAN
Yüksek Lisans
Türkçe
2001
Metalurji MühendisliğiYıldız Teknik ÜniversitesiMetalurji Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET TOPUZ
- Havacılık endüstrisinde self servis uygulamaları, IATA“hızlı seyahat programı”kapsamında 3. havalimanı için öneriler
Self service technologies in airline industry, recommendations for 3rd airport within IATA“fast travel programme”
MUHAMMED CİHAD ALKIŞ
Yüksek Lisans
Türkçe
2016
UlaşımBeykent Üniversitesiİşletme Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. ERKUT ALTINDAĞ
- Havacılık endüstrisinde kullanılan pekiştirilmiş alüminyum panel plakaların basma yükü altında sayısal ve deneysel analizi
Numerical and experimental analysis of stiffened aluminum panels used in aerospace industry under compression
İSMAİL CENGİZ
Yüksek Lisans
Türkçe
2018
Havacılık ve Uzay MühendisliğiBaşkent ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER FARUK ELALDI
- Havacılık endüstrisinde blockchain teknolojisinin potansiyelini keşfetmek
Discovering the potential of blockchain technology in the aviation industry
ABDURRAHİM TAÇILIK
Yüksek Lisans
Türkçe
2021
Sivil Havacılıkİstanbul Arel Üniversitesiİşletme Ana Bilim Dalı
DR. SEÇİL GÜRÜN KARATEPE