كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

تخمین عمر مفید باقی مانده موتورهای توربوفن با استفاده از چارچوب CNN-LSTM: ارزیابی بر روی مجموعه داده NASA C-MAPSS

نویسندگان :

امیرمهدی ایرانمنش¹

1- دانشگاه شهید باهنر کرمان

کلمات کلیدی :

نگهداری و تعمیرات پیشبینانه،عمر مفید باقی مانده،یادگیری عمیق،شبکه پیچشی،شبکه حافظه طولانی-کوتاه مدت،مدل سازی با متلب

چکیده :

در صنایع پیشرفته، نگهداری و تعمیرات پیشبینانه نقش مهمی در افزایش قابلیت اطمینان و کاهش هزینه های بهره برداری تجهیزات پیچیده، به ویژه موتورهای توربوفن ایفا میکند. با این حال، تخمین دقیق عمر مفید باقیمانده به دلیل ماهیت چند متغیره و زمانی داده های حسگری و تاثیر شرلیط عملیاتی همچنان یکی از چالشها در این حوزه محسوب میشود. در این پژوهش، یک مدل یادگیری عمیق مبتنی بر معماری ترکیبی شبکه عصبی پیچشی و حافظة طولانی- کوتاه مدت در محیط نرمافزار متلب برای تخمین عمر مفید باقیمانده طراحی و پیادهسازی شده است. به منظور ارزیابی عملکرد مدل، از مجموعه داده استاندارد شبیهسازی فرسودگی موتور توربوفن ناسا ، شامل زیرمجموعههای FD001 با یک شرایط عملیاتی و FD002 با شش شرایط عملیاتی، استفاده شد. فرآیند نحقیق شامل پیشپردازش دادهها، انتخاب حسگرهای موثر، نرمالسازی، برچسبگذاری عمر مفید باقیمانده، طراحی معماری شبکه و آموزش بود. عملکرد مدل با استفاده از معیارهای ارزیابی متداول، از جمله ریشه میانگین مربعات خطا، میانگین قدرمطلق خطا، معیار ضریب تعیین ، تابع امتیازدهی ناسا مورد برسی قرار گرفت. نتایج نشان داد که مدل پیشنهادی در زیر مجموعه FD001 به مقدار ریشه میانگین مربعات خطا برابر با 16.94 دست یافت. همچنین، تحلیل نتایج در زیرمجموعه FD002 نشان داد که تغییرات شرایط عملیاتی موجب کاهش دقت پیشبینی شده و مدل تمایل به کمتخمینی مقادیر عمر مفید باقیمانده دارد. یافتههای این پژوهش بیانگر توانایی معماری ترکیبی CNN-LSTM در مدلسازی روند فرسودگی تجهیرات تحت شرایط عملیاتی مختلف و در عین حال نشاندهنده چالشهای پیشبینی در شرایط متغیر دارد.