Traitement parallèle des signaux des capteurs à l'aide d'une méthode d'apprentissage profond pour la prédiction de la durée de vie utile restante des moteurs aérospatiaux

Résumé La prédiction précise de la durée de vie utile restante des moteurs aérospatiaux est cruciale pour améliorer la fiabilité des équipements d'aviation. Bien que certaines méthodes aient pris en compte les défis posés par les vastes données des capteurs et les interrelations complexes des signaux, il reste encore place à l'amélioration de la performance. Cet article propose un nouveau modèle d'apprentissage profond qui utilise une structure parallèle pour traiter indépendamment les entrées provenant de divers signaux de capteur. Chaque branche de cette structure parallèle utilise une combinaison d'un module Inception amélioré et d'un nouveau module de filtrage de caractéristiques comme extracteur de caractéristiques. Le module Inception amélioré dispose d'un champ perceptif plus large afin d'assurer l'intégrité des informations sur les caractéristiques. Le module de filtrage des caractéristiques calcule les poids d'importance des informations sur les caractéristiques grâce à un calcul pratique, permettant au réseau de se concentrer davantage sur les informations sur les caractéristiques sans augmenter considérablement la complexité computationnelle. Enfin, l'extracteur de caractéristiques est combiné avec un module d'unité récurrente contrôlée pour apprendre des caractéristiques à partir des signaux des capteurs. D'importantes expériences ont été réalisées sur le jeu de données standard C-MAPSS, comparant la méthode proposée avec d'autres méthodes à la pointe de la technologie. Des expériences d'ablation ont été menées sur le nouveau jeu de données standard N-CMAPSS. Les résultats des expériences confirment la supériorité et la rationalité de la méthode de prédiction proposée.