Bu araştırma, gelecekte küçük ve yönetici sınıfı uçaklarda kullanılması hedeflenen elektro-mekanik frenlerin (E-Brake) balata aşınmasını uçuşlar boyunca takip etmek ve kalan faydalı ömrünü (Remaining Useful Life, RUL) tahmin etmek için bir Prognostics and Health Management (PHM) mimarisi geliştirmektedir.

Temel problem, havacılık sistemlerinde gerçek “arıza oluşana kadar çalıştırılmış” veri setlerinin son derece sınırlı olmasıdır. Emniyet açısından kritik uçak parçaları normal koşullarda katastrofik arızaya ulaşmadan bakım veya değiştirme işlemine alındığından, yalnız tarihsel saha verisine dayanan yapay zekâ veya veri tabanlı ömür tahmin modelleri için yeterli eğitim verisi oluşturmak güçleşmektedir.

Araştırmacılar bu sorunu yüksek doğruluklu çok-fizikli simülasyon + fizik tabanlı aşınma modeli + parçacık filtresi + uçuş geçmişini tutan “landing repository” yapısıyla çözmeye çalışmaktadır.

İncelenen fren, bir ana iniş takımı tekerleğinde çok diskli fren mekanizmasını sıkıştıran dört Elektro-Mekanik Aktüatörden (EMA) oluşmaktadır. Her EMA'da fırçasız DC motor, tek kademeli redüktör, bilyalı vida, kuvvet sensörü ve motor konum geri beslemesi bulunmaktadır. Sistem fren balatası aşındıkça balata ile disk arasındaki boşluğun artması nedeniyle, aynı frenleme kuvvetini oluşturabilmek için aktüatörün daha fazla hareket etmesi gerektiği fiziksel gerçeğinden yararlanmaktadır.

Araştırmadaki en güçlü sağlık göstergesi elektrik motorunun maksimum açısal konumu olarak belirlenmiştir. Bu değişkenin balata aşınmasıyla Pearson korelasyon katsayısı `1,00` olarak hesaplanmış; %20 aşınmada SNR `53,71`, %40 aşınmada ise `54,99` bulunmuştur. Başka bir ifadeyle, araştırmanın simülasyon ortamında balata aşındıkça motorun gerçekleştirdiği maksimum dönme hareketi sistematik ve güçlü biçimde artmaktadır.

Parçacık filtreli prognostik algoritma 40 ayrı simüle edilmiş fault-to-failure süreci üzerinde ve 50 ile 5000 arasında değişen parçacık sayılarıyla sınanmıştır. 5000 parçacıklı örnek analizlerde filtre, simüle edilmiş gerçek aşınma gelişimini arıza tespitinden kullanım ömrünün sonuna kadar takip edebilmiş; tahmin edilen RUL dağılımları simüle edilmiş gerçek End of Life (EOL) değerine doğru yakınsamıştır.

40 simülasyon dizisinin ortalamasında Relative Accuracy (RA) değerinin araştırmacıların kullandığı %80 eşiğinin genel olarak üzerinde kaldığı bildirilmiştir. Bununla birlikte bu sonuçlar gerçek uçak üzerinde ölçülmüş balata ömrü tahmin başarısını göstermez. Çalışmanın tamamındaki aşınma ve RUL doğrulaması simüle edilmiş fault-to-failure verilerine dayanmaktadır.

Türkiye açısından: Çalışma Türkiye'de kullanılan belirli bir uçak veya fren sistemi üzerinde gerçekleştirilmemiştir. Buna rağmen geliştirilen yaklaşım; Türkiye'deki havacılık, elektro-mekanik aktüatör, iniş takımı, kestirimci bakım, dijital ikiz ve uçuşa elverişlilik araştırmalarında dikkate alınabilecek bir PHM metodolojisidir. Özellikle bakım kararının yalnız periyodik görsel inceleme yerine mevcut motor konum ve akım sensörlerinden çıkarılan sağlık göstergeleriyle desteklenmesi önemli bir araştırma yönüdür. Ancak Türkiye'deki gerçek bir hava aracına uygulanmadan önce fren malzemesi, disk geometrisi, EMA yapısı, pist koşulları, uçak kütlesi, termal çevrimler ve gerçek aşınma katsayıları o platform için deneysel olarak doğrulanmalıdır.

Neden elektro-mekanik uçak freni?

Daha elektrikli uçak yaklaşımında geleneksel hidrolik ve pnömatik alt sistemlerin bir bölümü elektrikle çalışan sistemlerle değiştirilmektedir. Elektro-mekanik frenler hidrolik hatları ortadan kaldırabilme, sistem mimarisini sadeleştirebilme ve dijital olarak izlenebilen daha fazla sistem sinyali sağlayabilme potansiyeline sahiptir.

Bunun karşılığında elektrik motorları, transmisyon elemanları, sensörler, güç elektroniği, bilyalı vidalar ve fren malzemeleri gibi çok sayıda elektro-mekanik bileşenin güvenilirliği kritik hale gelir.

Bu nedenle araştırmanın amacı yalnız fren yapmak değil, frenin ne kadar aşındığını ve kaç inişlik kullanılabilir ömrünün kalmış olabileceğini sürekli tahmin edebilen bir sistem oluşturmaktır.

İncelenen uçak ve fren mimarisi

Hedef platform yaklaşık 5,5–6,1 ton kalkış kütlesine sahip yönetici sınıfı küçük bir uçaktır. Ana iniş takımında sağ ve sol tarafta birer E-Brake bulunmaktadır.

Her fren çok diskli yapıdadır ve dört ayrı Elektro-Mekanik Aktüatör fren balatalarına paralel olarak kuvvet uygular.

Fren komutu şu zincir üzerinden ilerlemektedir:

Pilot fren komutu → Brake Control Unit (BCU) → anti-skid kontrolü → dört EMA → fren balataları → diskler → tekerlek fren momenti.

BCU, tekerleğin pistle temasından önce fren uygulanmasını engelleyen touchdown protection işlevlerine sahiptir. Anti-skid sistemi ise tekerlek hızını ve pist koşullarını dikkate alarak fren kuvvetini modüle etmektedir.

EMA içinde neler var?

Her Elektro-Mekanik Aktüatörde fırçasız DC motor bulunmaktadır. Motorun dönel hareketi tek kademeli redüksiyon sistemi ve bilyalı vida mekanizması üzerinden fren balatasına doğrusal kuvvet olarak aktarılmaktadır.

Her aktüatörde:

• uygulanan kuvveti ölçen kuvvet sensörü,
• motor konumunu sağlayan resolver,
• motor faz akımları,
• kuvvet ve akım kontrol döngüleri

bulunmaktadır.

PHM sistemi özellikle önemlidir çünkü araştırmacılar yeni bir özel aşınma sensörü eklemek yerine zaten fren kontrol sistemi içinde bulunan sensörleri kullanmayı hedeflemektedir.

Yüksek doğruluklu model neyi kapsıyor?

Araştırmacıların “high-fidelity” olarak adlandırdığı model tek bir transfer fonksiyonundan oluşmamaktadır. Mekanik, elektriksel ve termal alt sistemler birlikte modellenmiştir.

Başlıca bileşenler şunlardır:

• uçağın boylamsal hareketi,
• tekerleğin dönme dinamiği,
• lastik–pist teması,
• anti-skid davranışı,
• elektro-mekanik aktüatörler,
• fırçasız DC motor,
• PWM kontrollü güç elektroniği,
• redüktör ve transmisyon elastikiyeti,
• bilyalı vida,
• fren balatası–disk sürtünmesi,
• fren sıcaklığı,
• balata aşınması.

Lastik–pist sürtünmesi nasıl modellenmiş?

Kayma oranı:

\[ \lambda = \frac{V-\omega_wR}{V} \]

şeklinde tanımlanmaktadır. Burada \(V\) uçak doğrusal hızı, \(\omega_w\) tekerleğin açısal hızı ve \(R\) etkili yuvarlanma yarıçapıdır.

Anlık lastik–pist sürtünme katsayısı değiştirilmiş Burckhardt modeliyle hesaplanmaktadır:

\[ \mu=\mu_0(\lambda)\mu_{max}(p_{tire},v_{air}) \]

Bu nedenle frenleme davranışı yalnız fren mekanizmasına değil, kayma oranına, lastik basıncına, uçak hızına, lastik tipine ve pist koşullarına da bağlıdır.

Modelin deneysel referans verilere uygulanan ikinci dereceden yüzey uyarlamasında \(R^2\) değerleri kuru asfalt için 0,9976, dişli lastik–ıslak asfalt için 0,9941 ve düz lastik–ıslak asfalt için 0,9892 olarak raporlanmıştır.

Fren sıcaklığı neden PHM için önemli?

Frenlemede mekanik enerjinin büyük bölümü ısıya dönüştürülmektedir. Kaynak modelinde fren gücü:

disk–balata sürtünmesi üzerinden termal sisteme aktarılmakta ve balata sıcaklığı \(T_{brake}\) ile fren gövdesi sıcaklığı \(T_{case}\) ayrı termal düğümler halinde izlenmektedir.

Basitleştirilmiş termal denge:

\[ P_{fr} - \frac{T_{brake}-T_{case}}{R_{br,c}} = C_{brake}\frac{dT_{brake}}{dt} \]

ve:

\[ \frac{T_{brake}-T_{case}}{R_{br,c}} - \frac{T_{case}-T_{amb}}{R_{amb,c}} = C_{case}\frac{dT_{case}}{dt} \]

ilişkileriyle temsil edilmektedir.

Model sadeleştirme amacıyla frenleme gücünün tamamının ısıya dönüştüğünü varsaymaktadır; gürültü ve titreşim gibi ikincil kayıp mekanizmaları ihmal edilmiştir.

Balata aşınması nasıl modelleniyor?

Balatanın aşınması, diske ulaşmak için gereken serbest strokun artışı olarak modele dahil edilmiştir.

Aşınma artışı:

\[ \Delta x_{thr} = \int f_{wear}(T) K_{wear}(T) v(t) p(t)\,dt \]

biçiminde hesaplanmaktadır.

Burada aşınma; sıcaklık, balata–disk kayma hızı ve temas basıncı gibi fiziksel değişkenlerle ilişkilidir.

Ancak kullanılan aşınma katsayıları bu prototip fren balatasının gerçek tribolojik deneylerinden elde edilmemiştir. Özel malzemeye ait deneysel veri henüz bulunmadığı için benzer sürtünme çiftlerine ilişkin literatür değerleri temel alınmış ve katsayılar simülasyonda stokastik değişkenler olarak işlenmiştir.

Simülasyonda hangi belirsizlikler var?

Araştırmacılar tek bir ideal iniş yerine çok sayıda çalışma koşulu üretmiştir. Değişkenler arasında:

• iniş sırasındaki uçak kütlesi,
• pist sıcaklığı,
• pist ıslaklığı,
• lastik tipi,
• lastik basıncı,
• yaklaşma hızı,
• normal veya acil frenleme,
• üretim toleransları,
• pilot reaksiyon süresi,
• sensör gürültüsü

yer almaktadır.

Uçak kütlesi yaklaşık 5,5–6,1 ton arasındaki uniform dağılımdan, yaklaşma hızı ortalama 110 knot ve standart sapma 5 knot olan normal dağılımdan, lastik basıncı ise ortalama 200 psi ve standart sapma 30 psi olan dağılımdan örneklenmiştir.

Pilot reaksiyon gecikmesi 0,1–0,5 saniye arasında değiştirilmektedir.

Pist koşulları fren mesafesini nasıl etkiliyor?

Bu değerler gerçek hedef uçağın saha fren mesafeleri değildir; yüksek doğruluklu simülasyonun oluşturduğu dağılımlardır.

Fren sıcaklıkları

Kuru pistte daha kısa fren mesafesine rağmen frenlerde daha yüksek sıcaklık oluşması, lastik–pist sisteminin daha fazla frenleme gücünü aktarabilmesiyle uyumludur.

Sağlık göstergesi nasıl seçildi?

PHM algoritmasının aşınmayı doğrudan ölçen özel bir sensörü bulunmadığı için, mevcut fren sinyalleri içinden aşınmayla düzenli değişen bir health indicator aranmıştır.

Aday özellikler hem Pearson korelasyonu hem de dış çalışma koşullarına karşı dayanıklılığı temsil eden Signal-to-Noise Ratio (SNR) ile değerlendirilmiştir.

Neden maksimum motor açısı bu kadar güçlü bir gösterge?

Mekanizma bilyalı vida kullandığı için motorun dönüşü aktüatörün doğrusal hareketine doğrudan bağlıdır. Fren balatası inceldikçe balata ile disk arasındaki başlangıç boşluğu artar.

Bu durumda frenleme başlamadan önce aktüatörün daha uzun mesafe katetmesi gerekir. Bilyalı vida daha fazla doğrusal hareket yapacaksa elektrik motorunun da daha fazla dönmesi gerekir.

Dolayısıyla:

Balata aşınması ↑ → disk–balata boşluğu ↑ → EMA serbest stroku ↑ → bilyalı vida hareketi ↑ → motor maksimum açısal konumu ↑

ilişkisi ortaya çıkmaktadır.

Bu göstergenin avantajı yalnız yüksek korelasyonu değildir. Kaynak Şekil 13'te farklı pist, lastik ve frenleme koşullarına rağmen değerlerin aşınma oranına göre aynı yaklaşık doğrusal eğilim üzerinde kaldığı gösterilmektedir.

Parçacık filtresi neden tercih edilmiş?

Çalışmada LSTM gibi tamamen veri tabanlı modeller yerine parçacık filtresi tercih edilmiştir. Bunun temel gerekçesi gerçek prototip fren için büyük bir fiziksel run-to-failure veri setinin bulunmamasıdır.

Sadece sentetik veriyle eğitilmiş büyük bir kara-kutu modelin fiziksel fren yerine simülasyon modelinin varsayımlarını öğrenme riski bulunmaktadır.

Particle Filtering ise aşınmanın fiziksel ilerleme modelini ve ölçülen sağlık göstergesini Bayesçi bir çerçevede birleştirir. Ayrıca doğrusal olmayan ve Gauss dağılımına uymak zorunda olmayan bozunma süreçlerini parçacık dağılımlarıyla temsil edebilir.

Parçacık filtresinin temel yapısı

Durum olasılık dağılımı belirli sayıda parçacık ve bunların ağırlıklarıyla yaklaşık olarak temsil edilir:

\[ p(x_t|y_{1:t}) \approx \sum_i w_t^i \delta(x_t-x_t^i) \]

SIR yaklaşımında parçacık ağırlıkları yeni ölçümün olasılığına göre güncellenmektedir:

\[ w_t^i \propto w_{t-1}^i p(y_t|x_t^i) \]

Çalışmada parçacık filtresinin süreç modeli:

\[ x_{N+1} = K_{wear}(E_{brake,N}) + x_N + \omega(N) \]

ve ölçüm modeli:

\[ y_{N+1} = f(x_{N+1},\nu(N)) \]

mantığında kurulmaktadır.

\(x_N\) balata aşınma durumunu, \(y\) motor maksimum açısal konumunu ve \(E_{brake,N}\) N'inci inişte fren tarafından işlenen toplam enerji göstergesini temsil etmektedir.

Bir inişin fren enerjisi

Fren enerji göstergesi dört aktüatörün kuvvetleri ve tekerlek açısal hızı üzerinden:

\[ E_{brake,N} = r_{ebrake} \int_{t_0}^{t_{end}} \sum_{i=1}^{4} F_i\omega_w\,dt \]

şeklinde hesaplanmaktadır.

Bu değer her inişten sonra “landing repository” içerisine kaydedilmektedir.

Landing repository nedir?

Bu yapı çalışmanın en dikkat çekici unsurlarından biridir. Algoritma gelecekteki kullanım ömrünü sabit bir “her iniş aynıdır” varsayımıyla hesaplamamaktadır.

Her uçuş sonrasında veri tabanına:

• frenleme enerjisi,
• pist koşulları,
• uçak kütlesi,
• lastik bilgileri,
• fren sıcaklığı,
• ilgili uçak seviyesindeki çalışma bilgileri

eklenebilmektedir.

Uzun dönem RUL tahmini yapılırken gelecekteki muhtemel inişler bu geçmiş kullanım dağılımlarından rastgele örneklenmektedir. Böylece kalan ömür tek bir sabit görev profilinden değil, uçağın giderek büyüyen kendi operasyon geçmişinden türetilmektedir.

RUL nasıl tanımlanıyor?

Algoritma aşınma durumunu geleceğe doğru ilerleterek belirlenen End of Life bölgesine ulaşılması için gereken kalan iniş sayısının olasılık dağılımını oluşturur.

Relative Accuracy:

\[ RA = 1- \frac{|RUL_r-RUL|}{RUL_r} \]

şeklinde hesaplanmaktadır.

Burada \(RUL_r\) simüle edilmiş gerçek kalan ömür, \(RUL\) ise algoritmanın tahmin ettiği kalan ömürdür.

Prognostic Horizon ise tahminin ilk kez gerçek RUL değerinin ±%20 bandı içine girdiği nokta üzerinden değerlendirilmektedir.

Model ile prognostik algoritma bilerek aynı yapılmamış

Önemli bir metodolojik ayrıntı olarak, fault-to-failure verilerini üreten yüksek doğruluklu aşınma modeli ile parçacık filtresinin kullandığı aşınma modeli birebir aynı değildir.

Simülasyon verisi oluşturulurken aşınma katsayısı anlık sıcaklık ve temas basıncı gibi değişkenlere bağlıdır. Parçacık filtresinde ise daha sade bir aşınma yasası kullanılarak aşınma katsayısı çevrim içi kestirilen stokastik parametrelerden biri haline getirilmiştir.

Bu seçim, parçacık filtresinin yalnız kendisini üreten modeli yeniden hesaplamasını önlemek ve yapısal model uyuşmazlığı altında davranışını sınamak amacıyla yapılmıştır.

Çalışmanın Yöntemi ve Bulguları

Simülasyon altyapısı

Yüksek doğruluklu dinamik model, elektriksel, mekanik ve termal alt sistemler ile parçacık filtreleme yapısı MATLAB R2022a/Simulink ortamında geliştirilmiş ve simüle edilmiştir.

Fiziksel E-Brake prototipi gelecekte Iron Bird yer test sistemine entegre edilmek üzere geliştirilmektedir. Bu nedenle bu aşamada gerçek prototipten elde edilmiş geniş ölçekli run-to-failure veri tabanı bulunmamaktadır.

Veri tabanı oluşturma

Temel davranış veritabanını oluşturmak için özellikle acil fren manevraları kullanılmıştır. Bunun nedeni acil frenlemede pilot komutunun değişken etkisinin azaltılması ve E-Brake sisteminin kendi dinamiklerinin daha kontrollü incelenebilmesidir.

Bunun yanında normal frenleme de çalışma koşullarının sağlık göstergesine etkisini kontrol etmek için değerlendirilmiştir.

Sağlık göstergesi seçimi

Özellik seçimi için simülasyonlar yaklaşık %50 kümülatif aşınma düzeyine kadar sürdürülmüş ve aday sinyallerin aşınmayla korelasyonları incelenmiştir.

Motor maksimum açısal konumu:

• Pearson korelasyonu: 1,00
• SNR, %20 aşınma: 53,71
• SNR, %40 aşınma: 54,99

değerleriyle seçilen ana sağlık göstergesi olmuştur.

Fault-to-failure testleri

Prognostik algoritma 40 farklı simüle edilmiş fault-to-failure süreci üzerinde değerlendirilmiştir.

Parçacık sayısı:

\[ N_p=50\ldots5000 \]

arasında değiştirilmiştir.

5000 parçacıklı ayrıntılı örneklerde parçacık dağılımı, simüle edilmiş ground-truth aşınma değerleriyle arıza tespitinden kullanım ömrünün sonuna yaklaşılan bölgeye kadar uyumlu bir gelişim göstermiştir.

RUL dağılımı ne gösteriyor?

Kaynak Şekil 17'de EOL değeri 600 iniş olarak belirlenen örnek fault-to-failure süreci için farklı zamanlardaki RUL dağılımları gösterilmektedir.

Örnekte tahminler:

• 60'ıncı iniş,
• 192'nci iniş,
• 357'nci iniş,
• 522'nci iniş

sonrasında yeniden hesaplanmıştır.

Uçağın kullanım ömrü ilerledikçe tahmin edilen RUL dağılımı gerçek simüle edilmiş EOL noktasına doğru yakınsamaktadır. Kaynağa göre gerçek EOL değeri gösterilen tahmin dağılımlarının içinde kalmaktadır.

RA ve CRA sonuçları

40 simüle edilmiş iniş dizisi üzerinden elde edilen Relative Accuracy ve Cumulative Relative Accuracy sonuçları kaynak Şekil 19'da verilmiştir.

Araştırmacılar ortalama RA değerinin genel olarak %80 kabul eşiğinin üzerinde kaldığını ve CRA değerlerinin de yüksek seviyeler gösterdiğini belirtmektedir.

Ancak kaynak bu sonuçlar için tek bir nihai “ortalama doğruluk = X%” değeri vermemektedir. Bu nedenle grafikten yaklaşık bir sayı okunup kesin sonuç olarak burada kullanılmamıştır.

Çalışmanın desteklediği sonuçlar

• Yüksek doğruluklu simülasyon verileri kullanılarak prototip aşamasındaki bir E-Brake için PHM algoritması geliştirilebilmiştir.
• Balata aşınması ile elektrik motorunun maksimum açısal konumu arasında simülasyon ortamında son derece güçlü ilişki bulunmuştur.
• Seçilen sağlık göstergesi pist ve frenleme koşullarına karşı diğer adaylara göre yüksek dayanıklılık göstermiştir.
• Parçacık filtresi balata aşınmasının gizli durumunu simüle edilmiş ground-truth'a paralel biçimde takip edebilmiştir.
• RUL olasılık dağılımları örnek fault-to-failure sürecinde simüle edilmiş EOL noktasına yakınsamıştır.
• 40 simülasyon dizisinin ortalama RA performansı genel olarak %80 eşiğinin üzerinde raporlanmıştır.
• PHM sistemi için mevcut EMA konum ve akım ölçümleri kullanılabildiğinden özel ek aşınma sensörü eklenmesi gerekmeyebilir.
• Landing repository yaklaşımı uçağın geçmiş kullanım koşullarını gelecekteki stokastik RUL tahminine dahil edebilmektedir.

Çalışmanın kanıtlamadığı sonuçlar

• Algoritmanın gerçek bir uçakta aynı RUL doğruluğunu sağlayacağı kanıtlanmamıştır.
• Gerçek E-Brake prototipiyle fiziksel run-to-failure deneyleri henüz yapılmamıştır.
• Balata aşınma katsayıları hedef prototipin gerçek tribolojik deneylerinden kalibre edilmemiştir.
• Seçilen motor açısal konumu göstergesinin bütün elektro-mekanik uçak frenleri için evrensel sağlık göstergesi olduğu gösterilmemiştir.
• Aynı anda birden fazla arıza türünün bulunduğu sistem kapsamlı biçimde doğrulanmamıştır.
• Disk aşınması mevcut prognostik durum modelinin ana hedefi değildir.
• Gerçek uçuş operasyonu, bakım personeli ve sertifikasyon süreçlerinde operasyonel yarar henüz saha testiyle ölçülmemiştir.

Başlıca bilimsel sınırlılıklar

En önemli sınırlılık, PHM sisteminin performans değerlendirmesinin sentetik fault-to-failure verilerine dayanmasıdır.

Yüksek doğruluklu model fiziksel bilgiyi kapsamlı biçimde içerse de simülasyon gerçek sistemin kendisi değildir. Özellikle balata malzemesine özgü aşınma katsayılarının henüz deneysel olarak belirlenmemiş olması, gerçek aşınma hızının önemli belirsizliklerinden biridir.

Ayrıca seçilen sağlık göstergesi EMA–bilyalı vida–balata geometrisine doğrudan bağlıdır. Farklı mimariye sahip elektro-mekanik fren sistemlerinde başka göstergelerin seçilmesi gerekebilir.

Parçacık filtresinde kullanılan klasik Sequential Importance Re-sampling yaklaşımının olasılık dağılımlarının özellikle kuyruk bölgelerini temsil etmede sınırlılıkları olduğu da kaynakta belirtilmektedir. Araştırmacılar bu aşamada yöntemi ön çalışma için yeterli kabul etmektedir.

Gelecek çalışma

Fiziksel test sistemi kullanılabilir hale geldiğinde deneysel doğrulama araştırmanın zorunlu sonraki adımı olarak tanımlanmaktadır.

Gelecekte ayrıca:

• gerçek fren aşınma verileriyle model kalibrasyonu,
• disk aşınmasının sisteme eklenmesi,
• birden fazla eşzamanlı arıza modunun yönetilmesi,
• Bayesçi veri füzyonu,
• operasyon bölgesine göre gelecek hava/pist koşullarının landing repository örneklemesine dahil edilmesi

planlanmaktadır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: A Simulation Study on Wear Monitoring and Prognosis in Electro-Mechanical Brakes for a Small Passenger Aircraft

Yazarlar: Riccardo Achille; Andrea De Martin; Antonio Carlo Bertolino; Giovanni Jacazio; Massimo Sorli.

Sorumlu yazar: Riccardo Achille.

Kurum: Department of Mechanical and Aerospace Engineering, Politecnico di Torino, Torino, İtalya.

Kaynak türü: Hakemli araştırma makalesi.

Dergi: Actuators.

Yayınevi: MDPI.

Yayın: 2026, Cilt 15, Makale 161.

Gönderim tarihi: 19 Ocak 2026.

Revizyon tarihi: 6 Mart 2026.

Kabul tarihi: 8 Mart 2026.

Yayın tarihi: 11 Mart 2026.

DOI: 10.3390/act15030161.

Resmî bağlantı:https://doi.org/10.3390/act15030161

Lisans: Creative Commons Attribution (CC BY).

Önceki çalışma ilişkisi: Makale, 3–5 Temmuz 2024 tarihlerinde Prag'da düzenlenen 8th European Conference of the Prognostics and Health Management Society konferansında sunulan “Development of a PHM system for electrically actuated brakes of a small passenger aircraft” başlıklı çalışmanın gözden geçirilmiş ve genişletilmiş sürümüdür.

Finansman: Araştırma Avrupa Komisyonu Horizon 2020 Framework Programme kapsamında “Electromechanical Landing Gear System Integration for Small Aircraft” (E-LISA) projesi, hibe sözleşmesi 887222 tarafından finanse edilmiştir.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Verilere erişim kısıtlıdır. Veriler E-LISA Consortium'dan alınmıştır ve konsorsiyum izniyle yazarlardan edinilebilir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını bildirmiştir. Finansman sağlayıcının çalışma tasarımı, veri analizi ve yorumlanması, metnin hazırlanması veya yayın kararında rolünün olmadığı belirtilmiştir.

Yöntem özeti: Çalışma, elektro-mekanik uçak freninin mekanik, elektriksel ve termal davranışlarını yüksek doğruluklu simülasyon ortamında birleştirerek balata aşınması için sentetik fault-to-failure süreçleri üretmektedir. Çalışma koşulları stokastik olarak değiştirilmekte; aşınmayla ilişkili sağlık göstergeleri Pearson korelasyonu ve SNR ile seçilmekte; maksimum motor açısal konumu ana health indicator olarak kullanılmakta ve durum kestirimi ile RUL tahmini Sequential Importance Re-sampling tabanlı parçacık filtresiyle gerçekleştirilmektedir.

Deneysel doğrulama hakkında kritik not

Bu çalışmanın “yüksek doğruluklu model” kullanması ile “gerçek fiziksel E-Brake üzerinde doğrulanmış PHM sistemi” olması aynı şey değildir.

Makale açık biçimde fiziksel prototipin hâlen geliştirme aşamasında olduğunu ve tarihsel run-to-failure veri seti bulunmadığını belirtmektedir. Dolayısıyla 40 fault-to-failure süreci ve RUL ground-truth değerlerinin tamamı simülasyon tarafından üretilmiştir.

Bu nedenle elde edilen sonuçlar, algoritmanın tasarım yaklaşımının simülasyon ortamında uygulanabilirliğini ve potansiyelini destekler; gerçek uçakta sertifikasyon düzeyinde prognostik doğruluğu kanıtlamaz.

Aşınma modeli hakkında kritik not

Balata aşınma katsayıları hedef E-Brake prototipinin özgün sürtünme malzemesinden deneysel olarak çıkarılmamıştır. Kaynak çalışma bu parametrelerin benzer sürtünme çiftlerine ilişkin literatürden elde edildiğini ve stokastik olarak ele alındığını açıkça belirtmektedir.

Bu nedenle mutlak balata ömrü veya kalan iniş sayıları gerçek hedef frenin doğrulanmış servis ömrü değerleri olarak kullanılmamalıdır.

RUL performansı hakkında kritik not

Kaynak Şekil 19, ortalama Relative Accuracy'nin genel olarak %80 eşiğinin üzerinde olduğunu göstermektedir; ancak çalışma nihai performansı tek bir kesin ortalama yüzdeyle raporlamamaktadır. Bu nedenle grafikten yaklaşık sayılar çıkarılıp bilimsel veri gibi sunulmamıştır.

Benzer biçimde kaynak Şekil 17'de belirli bir EOL = 600 inişlik simülasyon örneği bulunmaktadır. Bu 600 iniş değeri belirli bir sentetik fault-to-failure örneğinin son ömür noktasıdır; incelenen uçak freninin sertifikalı veya genel servis ömrü değildir.