Sinyal İşleme Ve Derin Öğrenme Yöntemlerini Kullanarak İnsansiz Hava Araçlarinda Erken Ariza Tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Recep Tayyip Erdoğan Üniversitesi, Lisansüstü Eğitim Enstitüsü, Makine Mühendisliği (Yl), Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: ALİCAN YILMAZ
Danışman: Erkan Caner Özkat
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
İnsansız hava araçlarının (İHA) savunma, tarım, lojistik ve altyapı denetimi gibi kritik alanlarda kullanımının artması, uçuş güvenliğini artıracak ve bakım süreçlerini optimize edecek akıllı sistemlere olan ihtiyacı da beraberinde getirmiştir. Özellikle pervane kaynaklı yapısal arızalar, uçuş kararlılığı ve görev başarısını doğrudan etkileyen kritik arıza türleri arasında yer almaktadır. Literatürdeki çalışmaların yaklaşık %80’ i yalnızca denetimli arıza sınıflandırmasına odaklanırken, titreşim verileri çoğunlukla kablolu sistemlerle toplanmaktadır. Bu tezde, İHA pervane arızalarının erken tespitine yönelik, gerçek uçuş deneylerinden elde edilen titreşim verileri kullanılarak bütünleşik bir yapay zekâ çerçevesi geliştirilmiştir. Çalışma kapsamında titreşim verileri, ADXL345 ivmeölçer sensörü ve ESP32 Wi-Fi modülü kullanılarak kablosuz olarak gerçek zamanlı biçimde toplanmış ve çevrimdışı analiz edilmiştir. Önerilen yaklaşım, bilinen pervane arızalarının denetimli olarak sınıflandırılmasını ve daha önce görülmemiş anomalilerin denetimsiz olarak tespit edilmesini birlikte ele alması bakımından literatürdeki mevcut çalışmalardan ayrılmaktadır. Çalışmanın ilk aşamasında, kontrollü olarak oluşturulan farklı pervane arıza senaryolarından elde edilen üç eksenli titreşim verileri kullanılmıştır. Titreşim sinyallerinden çıkarılan 27 istatistiksel öznitelik ile Rastgele Orman, Destek Vektör Makinesi, k-En Yakın Komşu ve Karar Ağacı algoritmaları karşılaştırılmıştır. Yapılan analizler sonucunda Rastgele Orman algoritması, ikili (sağlıklı/arızalı) sınıflandırmada %94,44, yedi sınıflı arıza sınıflandırmasında ise %83,33 test doğruluğu ile en başarılı yöntem olarak belirlenmiştir. Çalışmanın ikinci aşamasında, etiketli verilere bağımlılığı azaltmak ve erken evre arızaları tespit etmek amacıyla denetimsiz derin öğrenme yöntemi kullanılmıştır. Üç eksenli titreşim sinyalleri Sürekli Dalgacık Dönüşümü ile zaman-frekans görüntülerine dönüştürülmüş, arıza şiddetine göre sıralanmış özgün bir veri zenginleştirme stratejisi geliştirilmiş ve CNN–BiGRU–SSM–AE tabanlı hibrit otoenkoder mimarisi önerilmiştir. Önerilen model, 0,9284 AUROC değeri ile karşılaştırılan temel anomali tespit yöntemlerinden daha yüksek performans göstermiş ve etiketli veriye ihtiyaç duymadan erken evre anomalilerin güvenilir biçimde tespit edilebildiğini ortaya koymuştur. Elde edilen bulgular, geliştirilen yaklaşımın İHA pervane arızalarının erken tespitinde etkin biçimde uygulanabildiğini göstermektedir. Önerilen bütünleşik metodoloji, klasik makine öğrenmesi ile denetimsiz derin öğrenme yaklaşımlarını bir araya getirerek hem bilinen arızaların sınıflandırılmasına hem de erken evre anomalilerin belirlenmesine olanak sağlamaktadır. Bu yönüyle çalışma, İHA'larda veri temelli sağlık izleme, kestirimci bakım uygulamaları ve gelecekte geliştirilecek gerçek zamanlı yapay zekâ tabanlı karar destek sistemleri için önemli bir altyapı sunmaktadır.