AnoSense: Edge computing for real-time flight anomaly detection by using embedded deep neural networks

Hatice Vildan Dudukcu; Murat Taşkıran; Nihan Kahraman

Makale detayları

AnoSense: Edge computing for real-time flight anomaly detection by using embedded deep neural networks

Yazarlar:

Hatice Vildan Dudukcu | Murat Taşkıran | Nihan Kahraman

Yayıncı:

Gumushane University

Ana Başlıklar:

Yapay Zeka (Diğer)

Dergi:

Gümüşhane Üniversitesi Fen Bilimleri Dergisi Vol.15 Issue 3, pp.797-808

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358143

pISSN:

2146-538X

Anahtar kelimeler:

Özet:

 Autonomous systems, including unmanned aerial vehicles and commercial airplanes, are increasingly integrated into modern aircraft to minimize pilot errors while enhancing flight control. Ensuring flight safety requires accurate detection of anomalies in sensor data that causes error. This study, AnoSense, proposes an autoencoder-based deep neural network designed to detect anomalies in an unmanned aerial vehicle. AnoSense processes 20 flight sensor parameters to identify irregularities that could compromise operational safety. The model is trained and evaluated using NASAs DASHlink anomaly data set, achieving 97.07 precision, outperforming conventional deep learning methods. Additionally, AnoSense is optimized for deployment on resource-constrained edge devices, with implementation and performance validation conducted on a Raspberry Pi. The experimental results demonstrate the feasibility of real-time flight anomaly detection on embedded systems, making AnoSense a promising solution to improve aircraft safety through edge computing.

 Autonomous systems, including unmanned aerial vehicles and commercial airplanes, are increasingly integrated into modern aircraft to minimize pilot errors while enhancing flight control. Ensuring flight safety requires accurate detection of anomalies in sensor data that causes error. This study, AnoSense, proposes an autoencoder-based deep neural network designed to detect anomalies in an unmanned aerial vehicle. AnoSense processes 20 flight sensor parameters to identify irregularities that could compromise operational safety. The model is trained and evaluated using NASAs DASHlink anomaly data set, achieving 97.07 precision, outperforming conventional deep learning methods. Additionally, AnoSense is optimized for deployment on resource-constrained edge devices, with implementation and performance validation conducted on a Raspberry Pi. The experimental results demonstrate the feasibility of real-time flight anomaly detection on embedded systems, making AnoSense a promising solution to improve aircraft safety through edge computing.

 Autonomous systems, including unmanned aerial vehicles and commercial airplanes, are increasingly integrated into modern aircraft to minimize pilot errors while enhancing flight control. Ensuring flight safety requires accurate detection of anomalies in sensor data that causes error. This study, AnoSense, proposes an autoencoder-based deep neural network designed to detect anomalies in an unmanned aerial vehicle. AnoSense processes 20 flight sensor parameters to identify irregularities that could compromise operational safety. The model is trained and evaluated using NASAs DASHlink anomaly data set, achieving 97.07 precision, outperforming conventional deep learning methods. Additionally, AnoSense is optimized for deployment on resource-constrained edge devices, with implementation and performance validation conducted on a Raspberry Pi. The experimental results demonstrate the feasibility of real-time flight anomaly detection on embedded systems, making AnoSense a promising solution to improve aircraft safety through edge computing.

 Otonom sistemler  insansız hava araçları ve ticari uçaklar da dahil olmak üzere  modern hava araçlarında giderek daha fazla kullanılmaktadır. Bu sistemler, pilot hatalarını en aza indirmeyi ve uçuş kontrolünü geliştirmeyi amaçlamaktadır. Uçuş güvenliğini sağlamak için, hatalara yol açabilecek sensör verilerindeki anormalliklerin doğru şekilde tespit edilmesi büyük önem taşır. Bu çalışmada AnoSense adı verilen bir sistem önerilmektedir. AnoSense, insansız hava araçlarında meydana gelebilecek anormallikleri tespit etmek amacıyla geliştirilmiş, autoencoder tabanlı bir derin sinir ağı modelidir. Sistem, uçuş güvenliğini riske atabilecek düzensizlikleri belirleyebilmek için 20 farklı uçuş sensörü parametresini analiz eder. Model, NASAnın DASHlink anormallik veri seti kullanılarak eğitilmiş ve test edilmiştir. Yapılan değerlendirmeler sonucunda 97.07 doğruluk oranına ulaşmış ve geleneksel derin öğrenme yöntemlerinden daha iyi bir performans sergilemiştir. Ayrıca AnoSense, donanım kaynakları sınırlı olan uç birimlerde çalışacak şekilde optimize edilmiştir. Gerçek zamanlı performansı doğrulamak amacıyla Raspberry Pi üzerinde uygulanmış ve başarılı sonuçlar elde edilmiştir. Elde edilen deneysel sonuçlar, gömülü sistemler üzerinde gerçek zamanlı uçuş anormalliği tespiti yapılabileceğini göstermektedir. Bu yönüyle AnoSense, uç bilişim teknolojisi kullanarak hava aracı güvenliğini artırmaya yönelik etkili ve umut vadeden bir çözüm sunmaktadır.

Makale detayları

AnoSense: Edge computing for real-time flight anomaly detection by using embedded deep neural networks

Yazarlar:

Hatice Vildan Dudukcu | Murat Taşkıran | Nihan Kahraman

Yayıncı:

Gumushane University

Ana Başlıklar:

Yapay Zeka (Diğer)

Dergi:

Gümüşhane Üniversitesi Fen Bilimleri Dergisi Vol.15 Issue 3, pp.797-808

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358143

pISSN:

2146-538X

Anomaly detection

Deep neural networks

Edge computing

Embedded systems

Flight dataAnomali tespiti

Derin sinir ağları

Uç bilişim

Gömülü sistemler

Uçuş verileri

Sayı

Makale detayları

Yazarlar: Hatice Vildan Dudukcu | Murat Taşkıran | Nihan Kahraman

Yayıncı: Gumushane University

Ana Başlıklar: Yapay Zeka (Diğer)

Dergi: Gümüşhane Üniversitesi Fen Bilimleri Dergisi Vol.15 Issue 3, pp.797-808

Belge Tipi: Makale

Yayın Tarihi: 9/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001358143

pISSN: 2146-538X

Sayı

Yazarlar:

Hatice Vildan Dudukcu | Murat Taşkıran | Nihan Kahraman

Yayıncı:

Gumushane University

Ana Başlıklar:

Yapay Zeka (Diğer)

Dergi:

Gümüşhane Üniversitesi Fen Bilimleri Dergisi Vol.15 Issue 3, pp.797-808

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358143

pISSN:

2146-538X