Havacılık Sektöründe Kestirimci Bakım Çalışmalarının Sistematik Haritalandırma Metodu ile İncelenmesi

Öz

Bu çalışma, havacılık sektöründe kestirimci bakım alanında yürütülen veri analizi çalışmalarını değerlendirmek, kullanılan veri türleri ve kestirimci bakıma konu olan ekipmanları incelemek, literatürdeki ana eğilimleri ve boşlukları tespit etmek amacıyla yapılmış bir sistematik haritalandırma çalışmasıdır. Çalışma kapsamında Web of Science ve Scopus veri tabanlarında 2013-2025 yılları arasında yayımlanmış havacılık sektöründeki kestirimci bakım uygulama çalışmaları incelenmiştir. Analiz bulguları bu alanda en çok çalışma yapan ülkeleri, kullanılan veri türlerini ve kestirimci bakım uygulaması yapılan ekipmanları belirlemeye yöneliktir. Sonuçlar, kestirimci bakım çalışmalarının son yıllarda büyük ivme yakaladığını ve özellikle uçak motoru üzerine yoğunlaştığını göstermektedir. Yapılan haritalandırma çalışmasında %61 ile en çok motor üzerine veri analizi çalışmaları yapıldığı saptanmıştır. Kestirimci bakım çalışmalarında en çok katkının, uçak motoru üretim kabiliyeti olan Amerika, İngiltere ve Çin tarafından gerçekleştiği saptanmıştır. Kullanılan veri türleri ise, bakım kayıtları, sensör verisi ve simülasyon verisi olarak sıralanmaktadır. Gerçek operasyon koşullarını yansıtan ve elde edilmesi görece kolay olan bakım kayıtları ile kestirimci bakım çalışmalarının sayısal olarak azlığı dikkat çekmiş ve literatürdeki boşluk olarak değerlendirilmiştir.

Anahtar Kelimeler

• Kestirimci Bakım
• Bakım Kayıtları
• Sistematik Haritalandırma
• Havacılık

Etik Beyan

Bu makalenin yazarları çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.

Examining Predictive Maintenance Studies in the Aviation Industry with Systematic Mapping Method

Öz

This study is a systematic mapping study conducted to evaluate data analysis studies conducted in the aviation sector in the field of predictive maintenance, examine the types of data used and the equipment subject to predictive maintenance, and identify key trends and gaps in the literature. The study examined studies published between 2013 and 2025 in the Web of Science and Scopus databases. The analysis findings aimed to identify the countries with the most research in this field, the types of data used, and the equipment on which predictive maintenance is applied. The results indicate that predictive maintenance studies have gained significant momentum in recent years, focusing particularly on aircraft engines. The mapping study found that the majority of data analysis studies, at 61%, were conducted on engines. It was determined that United States, United Kingdom, and China, which also have aircraft engine production capabilities, made the largest contributions to predictive maintenance studies. Generally, the three main data acquisition methods are maintenance records, sensor data, and simulation data. The scarcity of maintenance records and predictive maintenance studies, which reflect real operating conditions and are relatively easy to obtain, has attracted attention and is considered a gap in the literature.

Anahtar Kelimeler

• Predictive Maintenance
• Maintenance Logs
• Systematic Mapping
• Aviation

Etik Beyan

The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

Kaynakça

1. [1] O’Connell, John Frankie. "The General Trend of the Global Airline Industry." The Airline Industry–A Comprehensive Overview. Routledge, 1-67, (2025).
2. [2] Morrell, P. S. “Airline finance.” Routledge, London, (2021).
3. [3] Chen, X., Chu, S., Zhang, G., Chen, X., Huang, J., and Yi, M. “Prediction of the maintenance cost of general aviation aircraft based on engineering method”, Aircraft Engineering and Aerospace Technology, 95(6): 932-938, (2023).
4. [4] Stanton, I., Munir, K., Ikram, A., and El‐Bakry, M., “Predictive maintenance analytics and implementation for aircraft: Challenges and opportunities”, Systems Engineering, 26(2): 216-237, (2023).
5. [5] Budgen, D., Turner, M., Brereton, P., and Kitchenham, B. A., “Using Mapping Studies in Software Engineering”, Psychology of Programming Interest Group, 8:195-204, (2008).
6. [6] Kitchenham, B., Pretorius, R., Budgen, D., Brereton, O. P., Turner, M., Niazi, M., and Linkman, S., “Systematic literature reviews in software engineering–a tertiary study”, Information And Software Technology, 52(8): 792-805, (2010).
7. [7] Petersen, K., Feldt, R., Mujtaba, S., and Mattsson, M., “Systematic mapping studies in software engineering”, 12th International Conference On Evaluation and Assessment In Software Engineering (EASE), Swindon, GBR, 68–77, (2008).
8. [8] Kitchenham B., “What’s up with metrics? – a preliminary mapping study”, Journal of Systems and Software, 83 (1): 37–51, (2010).

9. [9] Ertürk, M., İrkey, T., Gök, B., & Gökçen, H., “Automatic detection of disinformation: a systematic mapping study”, Politeknik Dergisi, 28(2): 373-391, (2024).
10. [10] Molęda, M., Małysiak-Mrozek, B., Ding, W., Sunderam, V., & Mrozek, D., “From corrective to predictive maintenance—A review of maintenance approaches for the power industry”, Sensors, 23(13): 5970, (2023).
11. [11] Xia, T., Xi, L., Pan, E., Fang, X., & Gebraeel, N., “Lease-oriented opportunistic maintenance for multi-unit leased systems under product-service paradigm”, Journal of Manufacturing Science and Engineering, 139(7): 071005, (2017).
12. [12] Adryan, F.A., Sastra, K.W., “Predictive maintenance for aircraft engine using machine learning: trends and challenges”, AVIA, 3(1), (2021).
13. [13] Rojek, I., Jasiulewicz-Kaczmarek, M., Piechowski, M., & Mikołajewski, D., “An artificial intelligence approach for improving maintenance to supervise machine failures and support their repair”, Applied Sciences, 13(8): 4971, (2023).
14. [14] Ismail, L., Abdelmoti, A., Basu, A., Berini, A. D. E., & Naouss, M. A, “Systematic Review of Digital Twin-Driven Predictive Maintenance in Industrial Engineering: Taxonomy, Architectural Elements, and Future Research Directions”, arXiv preprint arXiv:2509.24443. (2025).
15. [15] Okoro, O. C., Zaliskyi, M., Dmytriiev, S., Solomentsev, O., & Sribna, O., “Optimization of maintenance task interval of aircraft systems”, International Journal of Computer Network and Information Security, 12(2): 77, (2022).
16. [16] Jammal, P., Pinon Fischer, O., Mavris, D., & Wagner, G., “Predictive Maintenance of Aircraft Braking Systems: A Machine Learning Approach to Clustering Brake Wear Patterns”, AIAA SciTech 2025 Forum, p. 0710, (2025).
17. [17] Loutas T., Oikonomou A., Eleftheroglou N., Freeman F., & Zarouchas D., “Remaining useful life prognosis of aircraft brakes”, International Journal of Prognostics and Health Management, 13(1): 1–11, (2022).
18. [18] Hsu T.-H., Chang Y.-J., Hsu H.-K., Chen T.-T., & Hwang P.-W., “Predicting the remaining useful life of landing gear with Prognostics and Health Management (PHM)”, Aerospace, 9(8): 462, (2022).
19. [19] De Martin A., Jacazio G., and Sorli M., “Simulation of runway irregularities in a novel test rig for fully electrical landing gear systems”, Aerospace, 9(2): 114, (2022).
20. [20] Cao J., Bao J., Yin Y., Yao W., Liu T., and Cao T., “Intelligent prediction of wear life of automobile brake pad based on braking conditions”, Industrial Lubrication and Tribology, 75(2): 157-165, (2023).
21. [21] Prajapati A., Bechtel J., & Ganesan S., “Condition based maintenance: a survey”, Journal of Quality in Maintenance Engineering, 18(4): 384-400, (2012).
22. [22] EUROCONTROL, “Age, number of aircraft and number of flights according to the aircraft build year”, https://ansperformance.eu/economics/cba/standard-inputs/latest/chapters/fleet_age.html, (2022). Access Date:19.11.2025
23. [23] STATFOR Interactive Dashboard (SID). https://www.eurocontrol.int/dashboard/statfor-interactive-dashboard Access Date:19.11.2025
24. [24] Teubert C., Pohya A. A., and Gorospe G., “An analysis of barriers preventing the widespread adoption of predictive and prescriptive maintenance in aviation”, NTRS- NASA Technical Reports Server, (2023).
25. [25] Khan Z. U., Nasim B., and Rasheed Z., “Generative AI-based predictive maintenance in aviation: a systematic literature review”, CEAS Aeronautical Journal, 1-19, (2025).
26. [26] IATA, Air Passenger Market Analysis Report, IATA Monthly Statistics (2022).
27. [27] Glas A. H., Henne F. U., and Essig M., “Missing performance management and measurement aspects in performance-based contracting”, International Journal of Operations & Production Management, Vol. 38 No. 11: 2026–2095, (2018).
28. [28] Qvist-Sørensen P., “Applying IIoT and AI – Opportunities, Requirements and Challenges for Industrial Machine and Equipment Manufacturers to Expand Their Services”, Central European Business Review, 9(2): 46-77, (2020).
29. [29] G. Öcalan and İ. Türkoğlu, “Rüzgâr Türbini Yüksek Hızlı Şaft Rulmanının Sağlık Durumu Aşamalarının Derin Öğrenme İle Belirlenmesi”, Politeknik Dergisi, 28(3):809–823, (2025).
30. [30] M. Kara and T. Eren, “Hasar Tespit Çalışmalarında Görevlendirilebilecek Dronların Bulanık Karar Verme Yöntemleri ile Değerlendirilmesi”, Politeknik Dergisi, 27(5):2029–2041, (2024).
31. [31] O. Ö. Ersöz et al., “Makine Öğrenmesi ile Kestirimci Bakım ve Yedek Parça Yönetimi”, Politeknik Dergisi, 28(5):1327–1338, (2025).