Dinamik işletme koşulları altında hava kaynaklı akustik sinyaller kullanılarak uçak dönen bileşenlerinin açıklanabilir LSTM‑AdamW tabanlı arıza teşhisi

Uçak Motorlarındaki Sorunları Dinlemek

Modern uçaklar yüksek hızda ve değişken yükler altında kusursuz çalışması gereken dönen parçalara dayanır. Bir parçanın bozulmasını beklemek yerine, mühendisler giderek daha çok bu makinelerin çıkardığı seslerdeki erken belirtiyi “dinlemeye” çalışıyor. Bu çalışma, gelişmiş ancak açıklanabilir yapay zekâya dayanan yeni bir dinleme sisteminin, motor hızı sürekli değişse bile yalnızca havadan alınan sesle dönen bileşenlerdeki ince arızaları tespit edebildiğini gösteriyor.

Makine Seslerinin Önemi

Rulmanlar, miller ve diskler gibi dönen parçalar dönerken karakteristik ses desenleri üretir. Çatlaklar oluşmaya başladığında veya yüzeylerde aşınma başladığında, insan kulağının genellikle arka plan gürültüsünden ayıramadığı kısa, keskin patlamalar halinde ses değişir. Geleneksel izleme yöntemleri çoğunlukla makineye bağlanan temas sensörlerine veya makinenin sabit hızda çalıştığı durumlarda iyi çalışan basit eşiklere dayanır. Ancak gerçek uçaklarda motorlar hızlanır, yavaşlar ve değişen yüklerle karşılaşır; bu da sesi son derece düzensiz ve gürültülü kılar. Bu karmaşıklık eski teşhis yöntemlerinin güvenilirliğini sınırlamış ve gerçek dünya koşullarıyla başa çıkabilecek akıllı araçlara olan ihtiyacı artırmıştır.

Bir Sinir Ağına Arızayı “Duymayı” Öğretmek

Araştırmacılar, zaman serisi verilerini işlemek üzere tasarlanmış uzun kısa süreli bellek (LSTM) ağı etrafında bir dinleme sistemi kurdular. Sistemi, ya sağlıklı ya da iç bilezik, dış bilezik veya yuvarlanan elemanlarda kusuru olan rulmanlarla donatılmış bir laboratuvar test düzeneğinden alınmış herkese açık kayıtlarda eğitip test ettiler. Sadece dört adet 12 saniyelik yüksek örnekleme hızına sahip ses kaydı vardı ve şaft hızı zaman içinde değişiyordu. Bu sınırlı veriden en iyi şekilde yararlanmak için ekip, kayıtları her biri yaklaşık 0,02 saniye süren binlerce kısa, örtüşmeyen ses parçasına böldü ve eğitim ile test parçalarının tamamen farklı kayıtlardan gelmesini sağlayarak gizli bilgi sızıntısını önledi.

Sesten Öğrenmenin En İyi Yolunu Bulmak

LSTM’nin gerçekten bir avantaj sağlayıp sağlamadığını görmek için yazarlar üç tekrarlayan modeli yan yana karşılaştırdı: temel bir tekrarlayan sinir ağı, kapılı tekrarlayan birim (GRU) ve modern bir optimizasyon yöntemi olan AdamW ile ayarlanmış LSTM. Üç model de tam olarak aynı giriş parçalarını aldı ve aynı ayarlar altında eğitildi. LSTM–AdamW kombinasyonu açıkça öne çıktı: yaklaşık %99,3 doğruluk ve aynı makro-ortalama F1 skoruna ulaştı; bu, dört sınıfın tamamı arasında performansı dengeleyen daha katı bir ölçüttür. GRU iyi performans gösterdi ancak biraz daha düşük kaldı; temel tekrarlayan ağ ise hem eğitim verisine fazlaca uyum sağladı hem bazı arıza türlerini karıştırdı. Ek testler, LSTM modelinin bir hız profili üzerinde eğitildiğinde ve farklı, daha dinamik bir profilde değerlendirildiğinde bile güçlü performansını koruduğunu gösterdi—bu, sağlamlığın önemli bir göstergesidir.

Yapay Zekâ Kararlarının Kara Kutusunu Açmak

Uçuş güvenliği ham doğruluktan daha fazlasını gerektirdiğinden, ekip modelin kararlarını anlaşılır kılmaya da odaklandı. Tekil tahminleri açıklayan LIME ve birçok örnek boyunca özellik önemini özetleyen SHAP olmak üzere iki açıklanabilir yapay zekâ tekniği uyguladılar. Her iki yöntem de sınıflandırma için en etkili bölgeler olarak ses parçaları içindeki kısa, yerel patlamalara işaret etti. Başka bir deyişle, ağ rastgele gürültüye dayanmak yerine, darbeler ve mikro‑kaymalar gibi hasarlı rulmanların bilinen fiziksel davranışlarıyla eşleşen kısa, yüksek etkili olaylara dayanıyordu. Taylor diyagramı adı verilen istatistiksel bir araç da modelin çıktılarının referans sinyallerin zamansal yapısını yakından izlediğini göstererek, modelin anlamsız korelasyonlar değil anlamlı desenler öğrendiğini pekiştirdi.

Tezgâhtan Kokpite

Çalışma kontrollü laboratuvar verileri kullanmasına rağmen önerilen çerçeve gömülü donanım için yeterince kompakt ve hızlı olacak şekilde tasarlandı; çıkarım süreleri neredeyse gerçek zamanlı izlemeyle uyumludur. Havadan alınan sese dayanması, temas sensörlerine kıyasla sonradan uyarlamayı (retrofit) daha kolay hale getirir ve açıklanabilirlik araçları mühendislerin YZ kararlarını fiziksel arıza mekanizmalarına ilişkilendirmesine yardımcı olur. Yazarlar gerçek uçuş ortamlarının daha fazla gürültü ve karmaşıklık katacağını ve gelecekte gerçek uçuş verileri ile çoklu sensör türleriyle çalışmalar planladıklarını belirtiyorlar. Yine de sonuçlar, dikkatle tasarlanmış açıklanabilir sinir ağlarının sıradan sesi uçak sağlığı için güçlü bir erken uyarı aracına dönüştürebileceğini; dönen bileşenlerdeki sorunları tehlikeli hale gelmeden çok önce yakalayabileceğini gösteriyor.

Atıf: Özüpak, Y., Aslan, E. & Zaitsev, I. Explainable LSTM-AdamW based fault diagnosis of aircraft rotating components using airborne acoustic signals under dynamic operating conditions. Sci Rep 16, 11449 (2026). https://doi.org/10.1038/s41598-026-41889-2

Anahtar kelimeler: uçak sağlık izleme, akustik arıza tespiti, rulman tanılama, açıklanabilir yapay zeka, derin öğrenme