Ünlerşen, Muhammed FahriKoçak, Mehmet Reha2026-08-112026-08-1120262026Koçak, M. R. (2026). Yapay zeka ile dört motorlu iha pervane hasar tespiti ve düşme riski tahmini. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Elektrik Elektronik Mühendisliği Anabilim Dalı, Konya.https://hdl.handle.net/20.500.12452/20268İnsansız Hava Araçları (İHA), son yıllarda sivil ve askeri alanlarda hızla yaygınlaşan kritik teknolojiler arasında yer almaktadır. Bu sistemlerin operasyonel güvenliği, bileşenlerinin kusursuz çalışmasına doğrudan bağlıdır. Quadrotor platformlarda pervaneler, itki kuvveti üreten ve uçuş stabilitesini sağlayan en kritik bileşenler olup çevresel faktörlere karşı en savunmasız elemanlardır. Pervane hasarları, sistemde asimetrik itki dağılımı, kontrol güçlüğü ve hatta tam kontrol kaybına yol açabilmektedir. Geleneksel görsel denetim yöntemleri, başlangıç aşamasındaki hasarları tespit etmekte yetersiz kalmakta ve yoğun iş gücü gerektirmektedir. Bu tez çalışmasında, quadrotor platformlarda pervane hasarının gerçek zamanlı tespiti ve sınıflandırılması için IMU (Eylemsizlik Ölçüm Birimi) tabanlı bir makine öğrenmesi yaklaşımı geliştirilmiştir. Çalışmada 550 mm gövde boyutuna sahip, Cube Orange uçuş kontrolcüsü ile donatılmış bir quadrotor platform kullanılmıştır. Deneyler, kontrollü laboratuvar ortamı yerine gerçek açık alan koşullarında ve GPS destekli otonom uçuş modunda gerçekleştirilmiştir. Pervane hasarı, Motor 1 (ön sağ) pervanesinin tek kanadına kademeli kesimler uygulanarak dört farklı seviyede (hasarsız, hafif, orta ve ağır) oluşturulmuştur. Hasar seviyeleri pervane yarıçapının sırasıyla %0, %3, %6 ve %8'ine karşılık gelmektedir. Veri toplama sürecinde iki farklı uçuş senaryosu (dairesel ve sekiz rotası) kullanılarak toplam 8.261 örnek içeren bir veri seti oluşturulmuştur. Ham sensör verilerinden 255 adet özellik çıkarılmış olup bu özellikler istatistiksel metrikler, frekans domain özellikleri, motor dengesizlik göstergeleri ve tutum hata metrikleri kategorilerinde gruplandırılmıştır. Özellik çıkarımında 40 örneklik kayan pencere yöntemi uygulanmıştır. Hasar tespiti ve sınıflandırılması için altı farklı makine öğrenmesi algoritması (K-En Yakın Komşu, Karar Ağacı, Rastgele Orman, Doğrusal SVM, RBF Çekirdekli SVM ve Naive Bayes) sistematik olarak karşılaştırılmıştır. Tüm algoritmalar için Grid Search yöntemiyle hiperparametre optimizasyonu gerçekleştirilmiş ve 5-katlı çapraz doğrulama ile model güvenilirliği değerlendirilmiştir. Deneysel sonuçlar, Karar Ağacı algoritmasının %94,81 test doğruluğu ile en yüksek performansı gösterdiğini ortaya koymuştur. Rastgele Orman %93,51, Doğrusal SVM %87,01, RBF Çekirdekli SVM %85,71 ve KNN %84,42 doğruluk değerleri elde etmiştir. Sınıf bazlı analizde hasarsız ve kritik hasar sınıfları %100'e yakın doğrulukla ayırt edilebilmiştir. Çapraz doğrulama sonuçları, RBF Çekirdekli SVM'in %90,5 ortalama ile en yüksek CV skoruna sahip olduğunu göstermiştir. Özellik önemi analizi, X ekseni titreşim verilerinin pervane hasarı tespiti ve sınıflandırılmasında en güçlü prediktörler olduğunu ortaya koymuştur. Bu çalışma, quadrotor platformlarda pervane hasarının titreşim verileri ve makine öğrenmesi algoritmaları kullanılarak yüksek doğrulukla tespit edilip sınıflandırılabileceğini göstermiştir. Geliştirilen yaklaşım, düşük maliyetli, gerçek zamanlı ve pratik uygulanabilir bir çözüm sunarak İHA operasyonel güvenliğinin artırılmasına katkıda bulunmaktadır. iv Anahtar Kelimeler: Hasar Sınıflandırma, İnsansız Hava Aracı, Makine Öğrenmesi, Pervane Hasar Tespiti, Quadrotor, Titreşim AnaliziUnmanned Aerial Vehicles (UAVs) have emerged as critical technologies that have rapidly proliferated in both civilian and military domains in recent years. The operational safety of these systems is directly dependent on the flawless functioning of their components. On quadrotor platforms, propellers are the most critical components that generate thrust force and ensure flight stability, while also being the most vulnerable elements to environmental factors. Propeller damage can lead to asymmetric thrust distribution, control difficulties, and even complete loss of control in the system. Conventional visual inspection methods are inadequate for detecting damage at early stages and require intensive labor. In this thesis, an IMU (Inertial Measurement Unit)-based machine learning approach has been developed for real-time detection and classification of propeller damage on quadrotor platforms. The study utilized a quadrotor platform with a 550 mm frame size, equipped with a Cube Orange flight controller. Experiments were conducted under real outdoor conditions with GPS-assisted autonomous flight mode, rather than in a controlled laboratory environment. Propeller damage was created at four different levels (undamaged, mild, moderate, and severe) by applying incremental cuts to a single blade of Motor 1 (front right) propeller. The damage levels correspond to 0%, 3%, 6%, and 8% of the propeller radius, respectively. During the data collection process, a dataset containing a total of 8,261 samples was created using two different flight scenarios (circular and figure-eight trajectories). A total of 255 features were extracted from raw sensor data, grouped into categories including statistical metrics, frequency domain features, motor imbalance indicators, and attitude error metrics. A sliding window method with 40 samples was applied for feature extraction. Six different machine learning algorithms (K-Nearest Neighbors, Decision Tree, Random Forest, Linear SVM, RBF Kernel SVM, and Naive Bayes) were systematically compared for damage detection and classification. Hyperparameter optimization was performed using the Grid Search method for all algorithms, and model reliability was evaluated with 5-fold cross-validation. Experimental results revealed that the Decision Tree algorithm achieved the highest performance with 94,81% test accuracy. Random Forest achieved 93,51%, Linear SVM 87,01%, RBF Kernel SVM 85,71%, and KNN 84,42% accuracy values. In class-based analysis, undamaged and critical damage classes could be distinguished with near 100% accuracy. Cross-validation results showed that RBF Kernel SVM had the highest CV score with a 90,5% average. Feature importance analysis revealed that X-axis vibration data are the strongest predictors for propeller damage detection and classification. This study has demonstrated that propeller damage on quadrotor platforms can be detected and classified with high accuracy using vibration data and machine learning algorithms. The developed approach contributes to enhancing UAV operational safety by providing a low-cost, real-time, and practically applicable solution. Keywords: Damage Classification, Unmanned Aerial Vehicle, Machine Learning, Propeller Damage Detection, Quadrotor, Vibration Analysistrinfo:eu-repo/semantics/openAccessHasar Sınıflandırmaİnsansız Hava AracıMakine ÖğrenmesiPervane Hasar TespitiQuadrotorTitreşim AnaliziDamage ClassificationUnmanned Aerial VehicleMachine LearningPropeller Damage DetectionVibration AnalysisMaster Thesis1015599