Remaining Useful Life Prediction Using Attention-LSTM Neural Network of Aircraft Engines
Notice bibliographique
Résumé
Accurate prediction of the Remaining Useful Life (RUL) is essential for the effective implementation of Prognostics and Health Management (PHM) in aerospace, particularly in enhancing aero-engine reliability and forecasting potential failures to reduce maintenance costs and human-related risks. The NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset, utilized in the 2021 PHM Data Challenge, serves as a widely recognized open-source benchmark, providing simulated turbofan engine data collected under realistic flight conditions. Previous deep learning approaches have leveraged this dataset to predict the remaining useful life of engine units. However, data-driven methods for RUL prediction in aerospace often encounter challenges such as high model complexity, limited prediction accuracy, and reduced interpretability. To address these issues, this paper presents a novel hybrid framework that incorporates an attention mechanism to enhance aircraft engine RUL prognostics. Specifically, we employ a self-attention mechanism to effectively capture relationships and interactions among different features, enabling the transformation of high-dimensional feature spaces into lower-dimensional representations. The proposed model, which integrates an LSTM network, demonstrates superior performance in predicting turbofan engine RUL. Experimental results validate its effectiveness, achieving RMSE values of 12.33 and 11.76, along with score values of 200 and 212 on the FD001 and FD003 sub-datasets, respectively. These results surpass those of other state-of-the-art methods on the C-MAPSS dataset.
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 | 0,001 | 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 ».