Kestirimci bakımda hibrit prognostik yaklaşımlar kullanılarak kalan faydalı ömür tahmini

Abstract

Kalan Faydalı Ömür’ün (RUL) doğru bir şekilde tahmin edilmesi, turbo fan motorlarının prognostiğindeki en zor sorunlardan biridir. Son dönemlerde, turbo fan motorlarının RUL tahmininde kullanılan yöntemler ağırlıklı olarak veri odaklı modelleri içermektedir. Sensör verilerine uygulanan önişlemler prognostik modellerin daha iyi performans göstermesi için gereklidir. Turbo fan motorları üzerine yapılan çalışmaların birçoğunda, normal/sağlıklı çalışma süresince sabit bir başlangıç RUL değeri ile başlayan ve belirli bir kırılma noktasından sonra azalan parçalı-doğrusal (PwL) etiketleme yöntemi kullanır. Bu çalışmada RUL tahmini için öznitelik oluşturma, değişim noktası algılama tabanlı PwL etiketlemesi ve 1D-CNN-LSTM (Tek boyutlu- Evrişimli Sinir Ağları -Uzun Kısa Dönemli Bellek) hibrit sinir ağı modelini kullanan prognostik bir prosedür tasarlanmıştır. Tasarlanan prosedür C-MAPSS veri setinin bir alt veri seti olan FD001 üzerinde değerlendirilmiştir. Deneysel sonuçlar, yeni oluşturulan fark özniteliğinin girdi olarak kullanılmadığı modeller ve geleneksel makine öğrenmesi ile erken dönem derin öğrenme metotlarının kullanıldığı sinir ağı modelleriyle karşılaştırılmıştır. Bununla birlikte literatürde benzer metotları kullanan diğer çalışmalarla da karşılaştırılmıştır. Yapılan çalışmanın temel katkıları (i) oluşturulan yeni fark özniteliğinin tahmin performansını iyileştirmesi (ii) CNN’in öznitelik çıkarma yeteneğinin sinir ağının performansını iyileştirmesidir. Önerilen prosedür, turbo fan motorlarının RUL tahminini gerçek hayat uygulamasına yaklaştırmış ve motorlarının erken çalışma dönemlerinde daha doğru tahmin sonuçlarına olanak sağlamıştır.

Accurate Remaining Useful Life (RUL) prediction is one of the most challenging problems in the prognostics of turbofan engines. Recently, RUL prediction methods of turbofan engines mainly involve data-driven models. Pre-processing the sensor data is essential for the performance of the prognostic models. Most studies on turbofan engines use piece-wise linear (PwL) label-ing, which starts with a constant initial RUL value in normal/healthy operational mode. In this paper, we design a prognostic procedure that uses feature construction, change point detection-based PwL labeling, and 1D-CNN-LSTM (One-dimensional-Convolutional Neural Network-Long Short-Term Memory) hybrid neural network model for RUL prediction. The procedure is evaluated on the subset FD001 of the C-MAPSS dataset. Experimental results are compared with models without adding new difference features and with neural network models using traditional machine learning and deep learning models. Also, they are compared to the studies that use similar approaches. The main contributions of the study are (i) Performance improvement through feature construction and (ii) Use of CNN’s feature extraction capability to improve the performance of the neural network. The proposed procedure makes the RUL prediction problem more realistic and enhances more accurate RUL estimation in the early operating stages of turbofanengines.