Aircraft Health Monitoring, IoT, ACARS, QAR, Edge Computing, Machine Learning, RUL, Digital Twin ve MRO entegrasyonu üzerinden havacılıkta predictive maintenance mimarisinin teknik incelemesi.
Havacılık bakımının temel amacı hiçbir zaman yalnızca arızayı gidermek olmadı. Asıl hedef, uçağın airworthiness seviyesini korurken operasyonel güvenilirliği mümkün olan en yüksek seviyede tutmak ve bunu ekonomik olarak sürdürülebilir şekilde gerçekleştirmektir. Scheduled maintenance, condition-based maintenance ve reliability-centered maintenance gibi yaklaşımlar bu hedef doğrultusunda gelişti. Predictive maintenance ise bu zincirin veri ve analitik ağırlıklı bir sonraki aşamasıdır.
Predictive maintenance yaklaşımında sistemin yalnızca mevcut condition’ı değil, degradation trajectory’si de değerlendirilir. Başka bir ifadeyle sistem ‘şu anda problem var mı?’ sorusunun yanında ‘mevcut davranış devam ederse problem ne zaman kritik hale gelebilir?’ sorusunu da cevaplamaya çalışır.
Predictive Maintenance nedir?
Preventive maintenance bakım faaliyetini belirli calendar time, flight hour veya flight cycle limitlerine bağlar. Condition-based maintenance ise komponentin ölçülen fiziksel durumuna göre bakım ihtiyacını belirler. Predictive maintenance bu yaklaşımın üzerine gelecekteki davranışın tahmin edilmesini ekler.
Örneğin bir bearing’in titreşim seviyesi henüz maintenance limitinin altında olabilir. Klasik condition monitoring sistemi bu değeri normal kabul edebilir. Predictive sistem ise son 50 uçuşta aynı operating condition altında titreşim amplitude’ının sürekli yükseldiğini görerek henüz limit aşılmadan degradation trendi oluşturabilir.
Aircraft Health Monitoring ve PHM
Aircraft Health Monitoring, uçak sistemlerinin operasyon sırasında veya uçuş sonrasında health state’inin izlenmesini sağlayan daha geniş bir konsepttir. Diagnostics mevcut anomalinin ne olduğunu ve nereden kaynaklandığını belirlemeye çalışırken prognostics sistemin gelecekteki degradation davranışını tahmin eder.
Prognostics and Health Management (PHM) ise diagnostics ve prognostics çıktılarının bakım ve operasyon kararlarına dönüştürüldüğü daha kapsamlı bir framework’tür. Bu nedenle PHM’i yalnızca bir machine learning modeli olarak düşünmek doğru değildir. Sensörler, veri altyapısı, fiziksel modeller, istatistiksel yöntemler, yapay zekâ, bakım geçmişi ve insan karar mekanizması aynı sistem içerisinde değerlendirilir.
Uçak neden devasa bir IoT platformuna dönüşüyor?
Modern bir ticari uçak yüzlerce farklı sistem ve alt sistemden oluşur. Engine, APU, hydraulic system, flight controls, environmental control system, electrical generation, landing gear ve avionics sistemlerinin tamamı çok sayıda parametre üretir.
Bu parametrelerin tamamı klasik anlamda IoT sensörü değildir. Bir kısmı doğrudan aircraft avionics architecture içerisinde bulunan sensors ve transducers tarafından üretilir. Veriler FADEC, EICAS/ECAM, BITE, ACMS, FDAU, QAR veya diğer avionics sistemleri üzerinden toplanabilir.
Aircraft Data Layer
Predictive maintenance mimarisinin temelinde aircraft data layer bulunur. Burada EGT, N1, N2, fuel flow, oil pressure, oil temperature, vibration, hydraulic pressure, electrical parameters, air data, cabin parameters ve flight control positions gibi çok sayıda zaman serisi bulunabilir.
Ancak gerçek değer ham sensör değerinde değildir. Bir EGT değerinin anlamlı olabilmesi için aircraft registration, engine serial number, flight phase, altitude, Mach, thrust setting, ambient temperature, engine configuration ve mümkünse bakım geçmişiyle birlikte değerlendirilmesi gerekir.
ACARS, QAR ve Aircraft Connectivity
Uçak verisinin ground sistemlerine taşınmasında ACARS ve QAR önemli roller üstlenebilir. ACARS belirli mesajların uçuş sırasında ground sistemlerine aktarılmasına olanak sağlarken QAR yüksek hacimli uçuş verisinin kaydedilmesi ve sonrasında analiz edilmesi için kullanılabilir.
Bu mimari özellikle predictive maintenance açısından önemlidir. Geleneksel yapıda uçak yere indikten sonra elde edilen verinin analiz edilmesi saatler veya günler sürebilirken connected aircraft yaklaşımı bazı teknik göstergelerin uçak daha havadayken veya inişten hemen sonra değerlendirilmesini mümkün hale getirir.
Edge Computing
Aircraft ile cloud arasında doğrudan ham veri aktarımı yapmak her durumda optimum çözüm değildir. Edge computing katmanı verinin ilk işlendiği noktadır. Timestamp synchronization, filtering, compression, validation, buffering ve bazı anomaly detection işlemleri burada gerçekleştirilebilir.
Edge computing’in önemli avantajlarından biri bağlantı kesintilerine dayanıklılıktır. Aircraft veya ground gateway ile cloud arasında bağlantı geçici olarak kaybolduğunda edge cihazı veriyi lokal olarak tamponlayabilir ve bağlantı yeniden sağlandığında veri kaybı olmadan merkezi sisteme aktarabilir.
IoT Messaging ve Streaming
Telemetry transport katmanında MQTT gibi lightweight publish-subscribe protokolleri değerlendirilebilir. Daha büyük backend event stream’lerinde Apache Kafka gibi distributed streaming platformları kullanılabilir.
Ancak havacılıkta teknoloji seçimi yalnızca throughput veya latency üzerinden yapılmaz. Device identity, authentication, authorization, encryption, message integrity, offline buffering, replay protection ve auditability gibi konular mimarinin ayrılmaz parçalarıdır.
Data Lake ve Time-Series Architecture
Predictive maintenance platformu iki farklı veri dünyasını birleştirir. Bir tarafta yüksek hacimli flight telemetry bulunurken diğer tarafta maintenance records, work orders, component removals, installations, defects, engineering actions ve aircraft configuration gibi ilişkisel veriler vardır.
Data lake ham verinin uzun dönem saklanması için kullanılabilir. Time-series database yüksek frekanslı telemetry sorgularında avantaj sağlayabilir. Relational database ise aircraft, component, serial number ve maintenance event ilişkilerini yönetebilir.
Digital Thread
Bu sistemlerin üzerinde aircraft → system → component → part number → serial number → flight → defect → maintenance action ilişkisini koruyan bir digital thread oluşturulmalıdır.
Örneğin model bir hydraulic pump üzerinde anomaly tespit ettiğinde yalnızca ‘pump anomaly’ demesi yeterli değildir. Bunun hangi aircraft’ta, hangi serial number’a sahip komponentte, hangi uçuşlarda, hangi operating condition altında ve hangi bakım geçmişiyle ilişkili olduğu görülebilmelidir.
Predictive Maintenance ve Digital Twin
Digital twin çoğu zaman fiziksel nesnenin üç boyutlu modeli olarak yanlış anlaşılır. Aviation predictive maintenance açısından digital twin, fiziksel aircraft veya component’in operasyonel durumunu sürekli yansıtan dinamik bir dijital temsil olarak düşünülmelidir.
Bu temsil aircraft configuration, component identity, utilization history, telemetry, environmental conditions, degradation state ve maintenance history ile beslenebilir. Böylece model yalnızca mevcut durumu değil, sistemin geçmişten bugüne nasıl değiştiğini de görebilir.
Digital twin ve predictive maintenance ilişkisinin havacılıktaki pratik karşılığı burada daha net görülür: fiziksel aircraft’tan gelen data sürekli olarak dijital modele aktarılır ve modelin mevcut health state’i güncellenir. Böylece digital twin yalnızca statik bir tasarım modeli değil, operasyonel bir health representation haline gelir.
Machine Learning katmanı
Predictive maintenance için tek bir machine learning algoritması yoktur. Problem tipine göre farklı yöntemler kullanılır. Basit trend analizi için moving average, EWMA ve statistical process control kullanılabilir. Unsupervised anomaly detection için Isolation Forest, One-Class SVM ve Autoencoder mimarileri değerlendirilebilir.
Failure mode classification için Random Forest, Gradient Boosting ve XGBoost gibi algoritmalar kullanılabilir. Zaman serisi degradation problemlerinde ise LSTM, GRU, Temporal Convolutional Network ve Transformer tabanlı modeller değerlendirilebilir.
Anomaly Detection
Anomaly detection predictive maintenance pipeline’ının erken uyarı mekanizmasıdır. Sistem önce normal operating envelope’u öğrenir. Daha sonra yeni verinin bu envelope’dan ne kadar saptığını hesaplar.
Burada kritik nokta operating condition normalization’dır. Örneğin cruise sırasında 650°C olan bir EGT değeri ile take-off sırasında 850°C olan EGT değerini doğrudan karşılaştırmak anlamsızdır. Model altitude, Mach, thrust setting, ambient temperature ve flight phase gibi değişkenleri hesaba katmalıdır.
Sensor Fault ile Component Fault’u ayırmak
Predictive maintenance sistemlerinin önemli problemlerinden biri sensör arızasının gerçek komponent arızası sanılmasıdır. Örneğin tek bir pressure sensor’ünün drift etmesi gerçek hydraulic system degradation olarak yorumlanırsa gereksiz troubleshooting veya component replacement gerçekleştirilebilir.
Bu nedenle sensor fusion kritik hale gelir. Aynı physical phenomenon’u temsil eden birden fazla parametre birlikte değerlendirilerek sensor fault ile gerçek system degradation arasında ayrım yapılabilir.
RUL: Remaining Useful Life
RUL, bir komponentin mevcut health state’inden kritik failure veya predefined end-of-life condition’a kadar tahmin edilen kalan operasyonel ömrüdür. Teoride basit görünse de gerçek aircraft data’sında oldukça zordur.
Bunun temel nedeni gerçek aircraft component’lerinin çoğunda run-to-failure datasının bulunmamasıdır. Safety-critical komponentler gerçek failure noktasına kadar kontrollü şekilde çalıştırılamaz. Bu nedenle simulated degradation dataset’leri ve historical removal data önemli rol oynar.
NASA C-MAPSS
NASA C-MAPSS, turbofan engine degradation ve RUL prediction araştırmalarında en çok kullanılan benchmark veri setlerinden biridir. Simülasyon farklı operating condition’lar altında motor degradation trajectory’leri üretir ve araştırmacıların farklı prognostic algoritmalarını aynı problem üzerinde karşılaştırmasına olanak sağlar.
C-MAPSS üzerinde LSTM, GRU, CNN, Transformer, Random Forest ve çeşitli ensemble yöntemleri denenmiştir. Ancak benchmark üzerinde elde edilen düşük prediction error değerinin doğrudan gerçek bir airline fleet’inde aynı performansın alınacağı anlamına gelmediği özellikle unutulmamalıdır.
Physics-Based Model + AI
Pure machine learning modelleri yüksek doğruluk sağlayabilir ancak explainability ve generalization problemleri oluşturabilir. Pure physics-based modeller ise sistemin fiziksel davranışını daha iyi açıklayabilir ancak karmaşık ve yüksek hesaplama maliyetli olabilir.
Hibrit yaklaşım bu iki yöntemi birleştirir. Physics-based model nominal davranışı tahmin ederken machine learning modeli gerçek sensör çıktısı ile fiziksel model arasındaki residual’ı öğrenebilir. Böylece model doğrudan ham değer yerine beklenen fiziksel davranıştan sapmayı analiz eder.
En güçlü prognostic sistem çoğu zaman yalnızca ‘AI bir arıza gördü’ demez. Fiziksel modelin beklediği davranışı, gerçek sensör davranışını, degradation trendini ve geçmiş failure pattern’lerini aynı bağlamda değerlendirir.
Örnek Senaryo: Engine Degradation
Bir turbofan motorunda EGT margin’in uçuşlar boyunca sürekli kötüleştiğini düşünelim. İlk adım olarak veriler flight phase ve operating condition açısından normalize edilir. Altitude, Mach, ambient temperature, thrust setting ve engine configuration hesaba katılır.
Daha sonra nominal engine modelinin beklediği EGT değeri hesaplanır. Gerçek değer ile beklenen değer arasındaki residual oluşturulur. Residual belirli bir süre boyunca trend gösterirse anomaly event oluşturulur. İkinci aşamada failure-mode classifier devreye girerek olası compressor efficiency degradation, turbine deterioration veya sensor fault gibi hipotezleri değerlendirir.
Son aşamada prognostic model degradation trajectory üzerinden RUL veya maintenance window tahmini üretir. Bu çıktı doğrudan ‘engine change’ kararı anlamına gelmez. Engineering assessment ve approved maintenance data ile doğrulanması gereken bir decision-support çıktısıdır.
Gerçek dünyada Predictive Maintenance: MRO entegrasyonu
Predictive maintenance projesinin asıl değeri dashboard üretmesinde değil, maintenance workflow’una bağlanmasında ortaya çıkar. Sistem anomaly tespit ettiğinde aircraft registration, ATA chapter, component serial number, flight history, trend, anomaly evidence, confidence score ve tahmini maintenance window gibi bilgileri mühendislik ve MRO sistemine aktarabilir.
Örneğin bir component’in önümüzdeki 10 ila 20 flight içerisinde failure riskinin arttığı tespit edilmişse bakım planlaması bu komponenti uygun bir scheduled maintenance opportunity içerisinde incelemeyi değerlendirebilir. Böylece unscheduled removal veya AOG riskinin azaltılması hedeflenir.
Predictive Spares Planning
Predictive maintenance yalnızca teknik teşhis için kullanılmaz. Component failure probability bilgisi supply chain ve spare parts planning ile birleştirilebilir. Belirli bir fleet’te belirli bir P/N için failure riskinin arttığı görülüyorsa ilgili station’daki stock level ve logistics planlaması buna göre optimize edilebilir.
Bu noktada predictive maintenance ile predictive logistics birbirine bağlanır. Amaç yalnızca ‘parça bozulacak’ demek değil, ‘parça bozulma ihtimali yükseldiğinde gerekli komponentin doğru istasyonda hazır bulunmasını sağlamak’tır.
Data Quality
Gerçek projelerde en büyük problem çoğu zaman model değildir. Data quality’dir. Missing values, duplicated messages, timestamp drift, sensor calibration changes, unit inconsistencies, component replacement ve aircraft configuration değişiklikleri model performansını doğrudan etkileyebilir.
Örneğin bir engine shop visit sonrasında motorun performance baseline’ı değişebilir. Model eski degradation trajectory’sini yeni configuration ile karşılaştırırsa false anomaly üretebilir. Bu nedenle maintenance intervention’ların machine learning pipeline’ına metadata olarak aktarılması kritik öneme sahiptir.
Cybersecurity
Connected aircraft mimarisi yeni bir cybersecurity attack surface oluşturur. Aircraft-to-ground communication, edge devices, telemetry brokers, APIs, cloud infrastructure ve machine learning pipeline’larının tamamı korunmalıdır.
Authentication, certificate-based device identity, encryption in transit, encryption at rest, role-based access control, secure boot, audit logging ve data integrity kontrolleri temel güvenlik katmanlarıdır. Bunun yanında predictive maintenance sistemleri için özel bir tehdit de data poisoning’dir. Sisteme kasıtlı olarak değiştirilmiş telemetry verilmesi modelin yanlış health state üretmesine neden olabilir.
Edge AI mı Cloud AI mı?
Edge AI düşük latency ve bağlantı bağımsızlığı gerektiren uygulamalarda avantajlıdır. Örneğin hızlı vibration anomaly detection edge tarafında gerçekleştirilebilir. Fleet-wide trend analysis, model training, uzun dönem RUL modelling ve cross-fleet analytics ise cloud ortamında gerçekleştirilebilir.
Bu nedenle gerçekçi mimari edge ve cloud’u birbirinin alternatifi olarak değil, aynı predictive maintenance pipeline’ının farklı hesaplama katmanları olarak ele alır.
Uçtan Uca Referans Mimari
Aircraft Sensors / Avionics → FADEC / FDAU / ACMS → QAR / ACARS → Secure Edge Gateway → Telemetry Transport → Streaming Ingestion → Data Lake + Time-Series Database → Feature Engineering → Anomaly Detection → Fault Classification → Prognostics / RUL → Digital Twin → Engineering Dashboard → MRO / Maintenance Planning → Human Engineer Decision → Maintenance Action → Maintenance Finding Feedback.
Human-in-the-loop
Safety-critical aviation ortamında predictive modelin doğrudan bakım kararı vermesi yerine human-in-the-loop yaklaşımı daha doğru bir mimaridir. AI anomaly’yi tespit eder, evidence toplar, failure mode olasılıklarını sıralar ve degradation trendini gösterir. Yetkili mühendis ise bu çıktıyı aircraft configuration, approved maintenance data, physical inspection ve operasyonel context ile birlikte değerlendirir.
Bu ayrım kritik öneme sahiptir. Predictive model bir engineering decision-support system olabilir ancak AMM, CMM, SRM, FIM/TSM, SB, AD, MEL/CDL ve ilgili approved engineering data’nın yerini alamaz.
Başarı nasıl ölçülür?
Model accuracy tek başına yeterli değildir. Airline ve MRO açısından false alarm rate, missed failure rate, unscheduled removal reduction, AOG reduction, maintenance man-hours, dispatch reliability, troubleshooting time, spare parts consumption ve aircraft availability gibi KPI’lar takip edilmelidir.
Örneğin model %98 classification accuracy elde etmiş olabilir ancak false positive oranı yüksekse mühendislik ekibine yüzlerce gereksiz alarm üretebilir. Bu nedenle model değerlendirmesi teknik metriklerle operasyonel metriklerin birlikte ele alınmasını gerektirir.
Havacılığın Geleceği: Predictive’den Prescriptive Maintenance’a
Predictive maintenance sisteminin bir sonraki aşaması prescriptive maintenance’tır. Predictive sistem ‘ne olabilir?’ sorusunu cevaplamaya çalışırken prescriptive sistem ‘hangi aksiyon hangi sonuçları doğurur?’ sorusuna odaklanır.
Örneğin bir APU degradation trendi tespit edildiğinde sistem yalnızca failure probability üretmekle kalmayabilir. Uçağın önümüzdeki günlerdeki schedule’ını, available maintenance slot’larını, spare availability’sini, ilgili station capability’sini ve operasyonel etkileri birlikte değerlendirerek farklı bakım senaryolarını karşılaştırabilir.
Sonuç
Havacılıkta predictive maintenance tek başına bir yapay zekâ uygulaması değildir. Aircraft data acquisition, IoT connectivity, edge computing, data engineering, physics-based modelling, machine learning, prognostics, digital twin, cybersecurity ve MRO workflow’larının aynı mimaride birleşmesini gerektiren kapsamlı bir sistem mühendisliği problemidir.
Asıl dönüşüm sensör sayısının artmasıyla değil, bu sensörlerden gelen verinin bakım kararına dönüştürülebilmesiyle gerçekleşir. Uçağın health state’i sürekli olarak izlenir, degradation trendleri belirlenir, failure riskleri tahmin edilir ve bakım organizasyonu bu bilgiyi doğru zamanda kullanabilirse reactive maintenance kültüründen predictive ve giderek prescriptive maintenance kültürüne geçiş mümkün hale gelir.
Geleceğin bakım organizasyonu arıza olduğunda tepki veren değil, uçağın health state’ini sürekli bilen ve bakım kararını failure gerçekleşmeden önce planlayabilen organizasyondur.
Kaynakça
1. Airbus, Skywise ve Aviation Data Analytics kaynakları.
2. NASA, Prognostics Center of Excellence (PCoE) ve C-MAPSS Aircraft Engine Simulator Data.
3. Amazon Web Services, Connected Aircraft Solution Architecture.
4. Stanton, M. et al., Predictive maintenance analytics and implementation for aircraft, Systems Engineering.
5. Mehdipour et al., Integrating Digital Twins, Data Management and Artificial Intelligence for Predictive Maintenance in Aviation, 2026.
6. Systematic Literature Review on AI-Driven Predictive Maintenance and Fault Detection in Aircraft Systems, Applied Sciences, 2026.
7. Boeing, Airplane Health Management ve Insight Accelerator kaynakları.
8. Honeywell Forge Connected Maintenance ve Predictive Maintenance kaynakları.
9. SAE International, Integrated Vehicle Health Management ve Prognostics çalışmaları.