विमान इंजनों की शेष उपयोगी जीवन भविष्यवाणी के लिए दोष-प्रकार-सचेत गहन शिक्षण ढांचे का उपयोग करना

सटीक शेष उपयोगी जीवन (RUL) भविष्यवाणी उच्च-मूल्य, जटिल प्रणालियों जैसे विमान इंजनों में रखरखाव की लागत को कम करने और कार्यात्मक दक्षता में सुधार के लिए आवश्यक है। डेटा-आधारित दृष्टिकोण RUL अनुमान अनुसंधान में एक प्राथमिक पद्धति के रूप में उभरे हैं, प्रदर्शन में महत्वपूर्ण सुधार दर्शाते हुए। हालाँकि, कई विफलता मोड में गिरावट की प्रक्षिप्तियों में असमानताएँ भविष्यवाणी की सटीकता को नकारात्मक रूप से प्रभावित कर सकती हैं। इस चुनौती को संबोधित करने के लिए, यह अध्ययन विभिन्न विफलता मोड पर विचार करते हुए RUL भविष्यवाणी करने के लिए TS K-Means–BiLSTM पर आधारित एक एकीकृत ढांचे का प्रस्ताव करता है। विशेष रूप से, समय श्रृंखला K-Means क्लस्टरिंग (TS K-Means) का उपयोग समय श्रृंखला डेटा को लुकआउट विफलता-मोड समूहों में क्लस्टर करने के लिए किया जाता है, और उसके बाद एक द्विदिश लंबे संतुलित शोर्ट-टर्म मेमोरी (BiLSTM) नेटवर्क का उपयोग कर प्रत्येक समूह के लिए RUL की भविष्यवाणी की जाती है। प्रस्तावित ढांचे का सत्यापन NASA द्वारा प्रदान किए गए वाणिज्यिक मॉड्यूलर एरो-प्रोपल्प्शन सिस्टम सिमुलेशन डेटासेट का उपयोग करके किया गया है। प्रयोगात्मक परिणाम दिखाते हैं कि प्रस्तावित मॉडल मौजूदा विधियों को बेहतर करता है। इसके अलावा, यह उन तुलना Bi-LSTM मॉडल के मुकाबले बेहतर परिणाम प्राप्त करता है जो समान परिस्थितियों में प्रशिक्षित होते हैं लेकिन बिना दोष-प्रकार पृथक्करण के। यह सुधार शायद गिरावट पैटर्नों के बीच हस्तक्षेप को कम करने से होता है, जो मॉडल को प्रत्येक दोष प्रकार से संबंधित अद्वितीय व्यवहारों को बेहतर पहचानने में सक्षम बनाता है। परिणामस्वरूप, प्रस्तावित दृष्टिकोण व्यावहारिक RUL भविष्यवाणी कार्यों के लिए मजबूत संभावितता दर्शाता है।