İnsansız hava araçlarında yenilik tabanlı izinsiz giriş tespiti

Bu çalışma, yenilik tabanlı izinsiz girişler neticesinde oluşacak arızaların veya anormalliklerin tespiti için farklı makine öğrenmesi yöntemlerinin performansını değerlendirmeyi amaçlamaktadır. Motor, kanatçık, dümen ve asansör arızaları üzerinde odaklanılarak, tek sınıflı-destek vektör makineleri (OC-SVM), tek sınıflı-rastgele orman algoritması (OC-RF), yerel aykırılık faktörü algoritması (LOF) ve otomatik kodlayıcı (Autoencoder) yöntemleri kullanılmış ve sonuçlar doğruluk, hassasiyet, duyarlılık ve F-skor metrikleriyle değerlendirilmiştir. OC-SVM yöntemi motor, kanatçık, dümen ve asansör arızaları için oldukça başarılı bir performans ortaya koymuştur. Bu yöntemde, tüm performans metrikleri 1 değerini alarak arızaları tespit etme konusunda yüksek bir doğruluk ve etkinlik sağlamıştır. Benzer şekilde, OC-RF yöntemi de motor, kanatçık, dümen ve asansör arızalarının tespitinde yüksek bir performans sergilemiştir. Tüm metriklerin 1 değerine sahip olması, bu yöntemin de arıza tespiti için güvenilir bir seçenek olduğunu göstermektedir. LOF yöntemi, diğer yöntemlere kıyasla biraz daha düşük bir performans sergilese de yine de başarılı sonuçlar vermiştir. Motor, kanatçık, dümen ve asansör arızaları için doğruluk, hassasiyet, duyarlılık ve F-skor metrikleri diğer yöntemlere göre biraz daha düşük değerlere sahiptir. Bu değerler 0,998 olarak elde edilmiştir. Otomatik kodlayıcı yöntemi ise tüm arıza türleri için OC-SVM ve OC-RF yöntemleriyle benzer sonuçlar elde etmiştir. Doğruluk, hassasiyet, duyarlılık ve F-skor metrikleri 1 olarak hesaplanmış ve böylece bu yöntemin arıza tespitindeki başarısı ve güvenilirliği kanıtlanmıştır. Sonuç olarak, yapılan bu çalışma motor, kanatçık, dümen ve asansör arızalarının tespiti için farklı makine öğrenimi yöntemlerinin etkisini değerlendirmiştir. OC-SVM, OC-RF ve Autoencoder yöntemleri tam performans sergilerken, LOF yöntemi diğer yöntemlerden biraz daha düşük bir performansa sahip olmuştur. Bu sonuçlar, arıza tespiti için farklı yöntemlerin değerlendirilmesi ve seçiminde rehberlik sağlamaktadır. Gelecekteki çalışmalar, daha geniş veri kümeleri ve yeni özelliklerin eklenmesi gibi faktörlerin etkisini değerlendirebilir ve arıza tespit sistemlerinin daha da geliştirilmesine katkıda bulunabilir. Tez çalışması, arıza tespiti alanında çalışan araştırmacılar ve endüstri uzmanları için faydalı bir kaynak olabilir ve daha ileri çalışmalara ilham verebilir. Anahtar Kelimeler: İnsansız hava araçları, Yenilik tabanlı izinsiz giriş tespiti, Makine öğrenmesi, Tek sınıflı sınıflandırıcı.