İNSANSIZ HAVA ARACI SİSTEMLERİ UÇUŞ VERİLERİNDE ZAMANSAL VE KONUMSAL ÇİZGE AĞLARI İLE ANOMALİ TESPİTİ

Abstract

Bu araştırmanın amacı, insansız hava araçları (İHA) uçuş verilerini zamansal ve konumsal olarak analiz ederek anomalileri tespit etmek ve İHA'ların güvenliğini ve güvenirliliğini artırmak için bir yöntem geliştirmektir. Araştırmada, öncelikle bir İHA platformu oluşturulmuştur. Bu platformda, açık kaynak kodlu ve programlanabilir bir oto pilot donanımı olan PIXHAWK3 kullanılmıştır. İHA'nın uçuş parametreleri, sensör verileri, navigasyon bilgileri, görev planlaması ve acil durum yönetimi gibi fonksiyonlar bu donanım aracılığıyla ayarlanmıştır. Daha sonra, İHA 10 farklı senaryoda uçurulmuş ve her uçuş sırasında roll, pitch ve yaw parametrelerine ilişkin veriler kaydedilmiştir. Bu veriler, uçuş sonrasında analiz için bilgisayara aktarılmıştır. Uçuş verilerinin analizi için Python programlama dili kullanılmıştır. Veri manipülasyonu ve analizi için Pandas kütüphanesi, veri normalizasyonu için Scikit-learn kütüphanesi ve anomali tespiti için Isolation Forest algoritması kullanılmıştır. Ayrıca, uçuş verilerinin coğrafi analizi için bir yöntem geliştirilmiştir. Bu yöntemde, 'networkx' kütüphanesi kullanılarak uçuş verilerinden bir ağırlıklı çizge oluşturulmuş ve bu çizge 2D grafik olarak görselleştirilmiştir. Araştırma sonucunda, farklı zaman ve farklı yükseklik aralıklarında toplam 105 noktada anomali gözlenmiştir. Anomalilerin en fazla görüldüğü uçuş senaryosunun ilk uçuş senaryosuna ait olduğu ve bu uçuş sürecinde 23 noktada anomali tespit edildiği görülmüştür. Anomalilerin en az görüldüğü uçuş senaryolarının ise 2, 4 ve 5. senaryolara ait olduğu ve bu uçuşların her birinde 7 noktada anomali tespit edilmiştir. Araştırmada ayrıca en fazla 1130-1160 m aralığındaki irtifa değerlerinde anomalilerin daha fazla gözlendiği sonucuna ulaşılmıştır. Elde edilen sonuçlar, zamansal ve konumsal çizge ağı yönteminin İHA uçuşlarındaki anomalileri başarılı bir şekilde tespit edebildiğini göstermiştir. Bu yöntem, uçuş güvenliği ve performansı için önemli bir araç olarak kullanılabilecektir.

This The aim of this research is to develop a method to detect anomalies by analysing unmanned aerial vehicles (UAV) flight data temporally and spatially and to improve the safety and reliability of UAVs. In the research, firstly, a UAV platform was created. In this platform, PIXHAWK3, an open source and programmable autopilot hardware, was used. Functions such as flight parameters, sensor data, navigation information, mission planning and emergency management of the UAV were set through this hardware. Afterwards, the UAV was flown in 10 different scenarios and data on roll, pitch and yaw parameters were recorded during each flight. These data were transferred to the computer for analysis after the flight. Python programming language was used for the analysis of the flight data. Pandas library was used for data manipulation and analysis, Scikit-learn library for data normalisation and Isolation Forest algorithm for anomaly detection. In addition, a method for geographical analysis of flight data was developed. In this method, a weighted graph was created from the flight data using the 'networkx' library and this graph was visualised as a 2D graph. As a result of the research, anomalies were observed at a total of 105 points at different times and at different altitude ranges. It was observed that the flight scenario with the highest number of anomalies belonged to the first flight scenario and anomalies were detected at 23 points during this flight. The flight scenarios with the least anomalies belonged to the 2nd, 4th and 5th scenarios and anomalies were detected at 7 points in each of these flights. It was also concluded that anomalies were observed more at altitudes between 1130-1160 m. The results show that the temporal and spatial graph neural network method can successfully detect anomalies in UAV flights. This method can be used as an important tool for flight safety and performance.