Remaining Useful Life Prediction of Aircraft Engines Using Hybrid Model Based on Artificial Intelligence Techniques
Notice bibliographique
Résumé
This paper proposes a hybrid model using long short-term memory (LSTM) and recurrent neural network (RNN) layers. The selection of hyperparameters of the hybrid model is automated and optimized via a genetic algorithm. The efficacy of this model is tested on NASA's C-MAPSS aircraft turbofan engine data sets for remaining useful life (RUL) predictions. The proposed model provides RUL predictions with root mean square error values that are competitive, and often times better when compared to other models in the literature. A time window approach is adopted and various values are tested to show the effectiveness of different hybrid models with convolutional layers. Given the temporal nature of the data, the hybrid and CNN models are compared by varying the time window size of the data input. It is found that for data sets with a single operating condition and a variable number of faults, the deep CNN provided the best results. Besides, the data sets with single operating conditions are less sensitive to the time window size when compared to data sets with a greater number of operating conditions. The hybrid model provides the best results when compared to the deep CNN, whilst varying the time size window. For data sets with a greater number of operating conditions, the sensitivity to the change in time window size was much greater. The effectiveness of the ability of CNN layers to extract features from raw sensor data is also tested. It is found that the CNN layers can extract higher-level features from raw noisy sensor data. This shows that an end-to-end prognostics model is possible using CNN layers to extract features from noisy data and no separate data preprocessing is required. Finally, the proposed hybrid model shows promising results in remaining useful life prediction of aircraft engines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».