Turbofan Motorlarda Faydalı Ömür Tahmini Için Yapay Sinir Ağlarına Dayalı Model Geliştirilmesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Havacılık Elektrik ve Elektroniği, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: FURKAN İŞBİLEN

Danışman: Mehmet Konar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.