Uç bilgi işlem endüstriyel IOT'de öngörücü bakım için uyarlanabilir birleşik öğrenim

Abstract

Uçak motorları karmaşık sistemlerdir, arıza durumunda; operasyonel aksamalar yaşanabilir ve uçuş güvenliği tehlikeye girebilir. Neticede havayolları şirketleri iktisadı bakımdan menfii etkilenmektedir. Uçak bakımı, uçuş faaliyetlerinin fayda ve emniyetinin sağlanması için icra edilmesi elzem fiil ve usullerin tatbik edilmesini sağlar. Bu tezin maksadı, havayolu şirketi üzerinden örnekleme yaparak; Endüstri 5.0'a geçiş sürecinde motor arızalarını tahmin etmek, operasyonel kesintileri en aza indirmek, uçuş hizmet güvenliğini-kalitesini artırmak ve aşırı bakımdan kaynaklanan maliyeti azaltmaktır. Bu amaçla Öngörücü Bakım Yönetimi içerisinde; Birleşik Filo Öğrenme çözümü ile dağıtılmış makine öğrenimi algoritmaları sayesinde daha az veri kullanan ve veri gizliliği sağlayabilen bir çözüm önerilmektedir. Birleşik Filo Öğrenme çözümü, FedSVM ve FedLSTM algoritmalarını kullanarak anomali tesbitini ve öngörücü bakım kapsamında sistemlerin etkin arıza ve RUL tahminini etkin bir şekilde gerçekleştirir. Bu yaklaşım, gerçek zamanlı motor verilerinin analizini ve kullanımını artırır. Bu sayede, motor arızalarından kaynaklanan operasyonel kesintilerin ve potansiyel can kayıplarının önlenmesi, bakım maliyetlerinin düşürülmesi hedeflenmektedir. Bu çözümlerin ana merkezinde ise, düşük gecikmeli, yüksek bant genişliği ve kapsama alanına sahip, uçaklara sürekli kapsama alanı ve çevrimiçi bağlantı sağlayacak alçak irtifa uydu ve ATG-5G yedekli internet desteğiyle doğruluğu yüksek modeller oluşturulması hedeflenmektedir. Endüstri 5.0 çerçevesinde; havayolu şirketlerinin iş birliklerinin artırılması, sektörel gelişim ve operasyonel verimliliklerinin sağlanması öngörülmektedir. Bu çerçevede, öngörücü bakım yönetim çözümlerine 360 derecelik bir yaklaşım ve bakış açısı sağlanabilir.

Aircraft engines are intricate, their malfunction can induce operational disruptions and endanger flight safety. Consequently, airlines may encounter financial drawbacks. Aircraft maintenance assures the implementation of actions and procedures essential to flight safety and efficiency. This thesis aims to predict airplane engine failures for minimizing operational disruptions, enhancing flight security and quality, and reducing excessive maintenance costs. Within predictive maintenance solution is proposed using the Federated Fleet Learning and distributed Machine Learning algorithms. It utilizes less data and yet ensures data privacy. The Federated Fleet Learning accurately predicts engine failures and remaining useful life by using FedSVM and FedLSTM algorithms for anomaly detection. This approach boosts the analysis and usage of real-time engine data to prevent operational disruptions, potential life losses, and to reduce maintenance costs. At the core of these solutions, high-accuracy models, supported by low-latency, high-bandwidth, and constant coverage from low-altitude satellites and ATG-5G redundant internet, are aimed to be established. Within the framework of Industry 5.0, the augmentation of collaboration among airlines, their sectoral growth, and operational efficiency are anticipated. In this context, a holistic approach to predictive maintenance management solutions is promising.