Öz öğrenen dönüştürücü ağlar ile yüksek hassasiyetli tahribatsız kanat yüzeyi muayenesi

Jet motorlarını gökyüzünde güvenli tutmak

Her ticari uçuş, jet motorlarının derinliklerinde yüksek sıcaklıkta ve büyük hızlarda dönen türbin kanatlarına bağlıdır. Bu kanatların koruyucu kaplaması çatlamaya, çukurlaşmaya veya soyulmaya başlarsa verim düşer ve arıza riski artar. Bu çalışma, yapay zekâ tabanlı bir sistemin görüntülerden kanat yüzeylerindeki çok küçük kusurları otomatik olarak tespit edebilmesini araştırıyor; bu da daha hızlı, daha güvenilir muayeneler ve daha güvenli, daha ucuz hava taşımacılığı vaat ediyor.

Neden küçük yüzey kusurları önemli?

Jet motorunun içindeki kanatlar kavurucu ısı, hızlı basınç değişimleri ve aşındırıcı gaz ve parçacık karışımıyla karşı karşıyadır. Hayatta kalabilmek için termal zırh ve korozyona karşı boya gibi davranan özel kaplamalarla örtülürler. Ancak zamanla bu kaplamalarda ince çatlaklar, çukurlar, soyulma bölgeleri ve yüzey içinde küçük kapanmış yabancı maddeler oluşabilir. Gözden kaçarsa bu kusurlar büyüyüp kanadı zayıflatabilir, yakıt tüketimini artırabilir ve uç durumlarda motor arızasına katkıda bulunabilir. Günümüzdeki standart kontroller büyük ölçüde kameralar, ultrasonik cihazlar veya ısı görüntüleme kullanan insan denetçilere dayanıyor. Bu yöntemler işe yarar, ancak yavaş, emek yoğun ve parlak, eğimli kanat yüzeylerinde en küçük kusurları kaçırabilirler.

Manüel kontrollerden öğrenen makinelere

Son yıllarda derin öğrenmeye dayalı bilgisayarlı görme sistemleri endüstriyel muayene görevlerinde yardımcı olmaya başladı. Konvolüsyonel sinir ağları olarak adlandırılan geleneksel derin ağlar, küçük düz bölgelerdeki bir çatlak gibi yerel desenleri tanımakta iyidir. Ancak yüzey eğri olduğunda, aydınlatma eşitsiz olduğunda veya kusurlar aynı görüntünün farklı bölgelerine dağılmışsa zorlanırlar. Önceki araştırmalar çoğunlukla devre kartları veya çelik levhalar gibi düz malzemelere odaklanmıştı; bunlar gerçek jet motoru kanatlarının görsel karmaşıklıklarını yansıtmaz. Görüntü tanıma için geliştirilen ve görsel dönüştürücüler (vision transformers) olarak bilinen daha yeni modeller, bir resmin tamamına aynı anda bakarak görüntünün uzak bölümlerinin birbirleriyle nasıl ilişkili olduğunu öğrenebilir. Bu daha geniş bakış, hem ince ayrıntıların hem de genel yapının önemli olduğu zor muayene problemleri için ümit vericidir.

Motor içindeki kanatları görmenin yeni yolu

Yazarlar, türbin ve kompresör kanatlarına özel olarak uyarlanmış Swin Transformer adlı bir model etrafında inşa edilen bir muayene sistemi öneriyor. Önce, gerçek kanatların yüksek çözünürlüklü görüntüleri laboratuvar düzeneklerinden, motor içindeki boreskoplardan ve açık veri setlerinden toplanır. Her kusur—çatlak, göçük, çukur veya yabancı madde gibi—uzmanlar tarafından dikkatle çizilerek modelin net örneklerden öğrenmesi sağlanır. Eğitime başlamadan önce görüntüler özel bir temizleme işleminden geçirilir: aydınlatma dengelenir, kusur kenarlarını bulanıklaştırmadan gürültü azaltılır ve ince yüzey değişikliklerini öne çıkaracak şekilde renkler dönüştürülür. Sonra görüntüler döndürme, çevirme, parlaklık değiştirme ve sentetik kusurlar bindirme gibi yapay varyasyonlarla genişletilir, böylece sistem gerçek dünya koşullarının birçoğuyla başa çıkmayı öğrenir.

Akıllı denetçi nasıl çalışır

Hazırlandıktan sonra her kanat görüntüsü Swin Transformer'a beslenen küçük kare yamalara bölünür. Modelin içinde, komşu yamalar grupları katmanlar arasında kayan “pencereler” aracılığıyla incelenir; bu, sistemin hem çok küçük ayrıntıları hem de daha geniş çevrelerini yakalamasını sağlar. Bu katmanlı dikkat yapısı, kanat üzerindeki belirsiz bir çizgiyi kaplama hasarının daha geniş desenleriyle ilişkilendirmeye izin verir. Omurga modelin üzerinde, çok küçük çukurlar ve daha büyük soyulma bölgelerinin tek bir geçişte tespit edilebilmesi için farklı ölçeklerden gelen bilgileri birleştiren ek bir modül bulunur. Eğitilmiş sistem daha sonra bir kanatta her kusurun nerede olduğunu milisaniyeler içinde işaretleyebilir ve hangi kategoriye girdiğine karar verebilir.

Testler neyi ortaya koydu

Performansı değerlendirmek için araştırmacılar yaklaşımlarını görüntü analizinde yaygın olarak kullanılan tanınmış derin ağlarla karşılaştırdı. Swin Transformer'ları, hasarlı ile hasarsız bölgeleri ayırt etmede ve dört ana kusur türünü—göçük, çatlak, gözeneklilik ve yabancı madde—etiketlemede yaklaşık %98 doğruluğa ulaştı. Neredeyse tüm gerçek kusurları yakaladı, yanlış alarmları düşük tuttu ve kusur yerlerini, kusurlar yalnızca milimetrenin onda biri büyüklüğünde olsa bile, hassas bir şekilde belirledi. Deneyler ayrıca boru hattındaki her bileşenin önemli olduğunu gösterdi: yalnızca daha iyi görüntü ön işlemesi ve veri genişletme eklemek sonuçları iyileştirdi, ancak en büyük sıçrama Swin Transformer mimarisine geçilmesiyle gerçekleşti. Sistem bu performansı rutin bakım sırasında kullanılabilecek hızlı işlem süreleriyle sundu.

Gelecek uçuşlar için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma bir yapay zekâ “denetçisinin” özellikle en zor görülen kusurlar için birçok mevcut yöntemi aşan bir doğruluk ve tutarlılıkla jet motoru kanatlarını izleyebileceğini gösteriyor. Bu tür sistemler, küçük çatlakları ve çukurları ciddi hale gelmeden otomatik olarak işaretleyerek muayene sürelerini kısaltabilir, az bulunan uzmanlara bağımlılığı azaltabilir ve maliyetli ya da tehlikeli arızaları önlemeye yardımcı olabilir. Yazarlar, modellerinin otomatik bakım hatlarına entegre edilmesini, robotik kameralarla birlikte çalışmasını ve nihayetinde motor sağlığını tüm ömrü boyunca takip eden dijital ikizlerle birlikte kullanılmasını öngörüyor. Yolcular için sonuç sadece daha akıllı algoritmalar değil—daha sessiz, daha temiz ve daha güvenli uçuşlardır.

Atıf: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

Anahtar kelimeler: jet motoru kanat muayenesi, yüzey kusuru tespiti, derin öğrenme görseli, dönüştürücü tabanlı modeller, havacılık bakım