Remaining Useful Life Prediction of a Turbofan Engine Using Deep Layer Recurrent Neural Networks
Notice bibliographique
Résumé
Turbofan engine is a pivotal component of the aircraft.Engine components are susceptible to degradation over the life of their operation which affects the reliability and performance of an engine.In order to direct the necessary maintenance behavior, remaining useful life prediction is the key.This thesis presents a prediction framework for the Remaining Useful Life (RUL) of an aircraft engine using the whole life cycle data and deterioration parameter data based on a machine learning (ML) approach.In specific, a Deep Layer Recurrent Neural Network (DL-RNN) model is proposed to address the problem of prognostic instability based on deep learning.In addition, for the aircraft engine, a new health indicator (HI) measure is implemented based on the preprocessing of raw data.The proposed method is compared against Multilayer-Perceptron (MLP), Non-linear Auto Regressive Network with Exogenous Inputs (NARX), Cascade Forward Neural Network (CFNN) and validated through the IEEE 2008 Prognostics and Health Management (PHM) conference Challenge dataset and Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset provided by NASA results reveal a better predictive precision with respect to other ML algorithms.I would like to express my deep and sincere gratitude to my research supervisor Dr. Hicham Chaoui for giving me the opportunity to do research and providing invaluable guidance throughout this research.His dynamism, vision, sincerity and motivation have deeply inspired me.It was a great privilege and honor to work and study under his guidance.He is a great teacher, and his doors were always open when I had any question.His prompt replies to the emails even during holidays helped in the rapid progression of this work.I would like to extend my profound gratitude
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».