Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM)

要約

航空業界はテクノロジーの進歩により急速に進化しています。
民間航空宇宙で使用されるターボファン エンジンは、非常に複雑なシステムです。
ターボファン エンジンのコンポーネントの大部分は、稼働期間中に劣化しやすくなります。
ターボファン エンジンの劣化は、エンジンの性能、操作性、信頼性に影響を与えます。
さまざまな複雑なセンサー データに基づいて商用ターボファン エンジンの正確な残存耐用年数 (RUL) を予測することは、乗客の安全、飛行の安全、そしてコスト効率の高い運航にとって最も重要です。
そのため、ターボファン エンジンの監視、制御、メンテナンスが不可欠です。
RUL 予測は、モデルベースまたはデータベースのアプローチから得られます。
モデルベースのアプローチは、数学的モデルが複雑であり、物理システムの領域では深い専門知識が必要となるため、非常に高価になる可能性があります。
コンピューターの計算の複雑さの高さ、機械学習 (ML) モデルの進歩、センサーの進歩のおかげで、今日ではデータベースのアプローチがより頻繁に使用されています。
このペーパーでは、双方向長短期メモリ (BLSTM) モデルに焦点を当てますが、いくつかの RUL 予測データベース モデルのベンチマークも提供します。
提案された RUL 予測モデルは、エンジン故障予測ベンチマーク データセット Commercial Modular Aero-Propulsion System Simulation (CMAPSS) に基づいて評価される予定です。
CMAPSS データセットは NASA からのもので、ターボファン エンジンの稼働から故障までのイベントが含まれています。

要約(オリジナル)

The aviation industry is rapidly evolving, driven by advancements in technology. Turbofan engines used in commercial aerospace are very complex systems. The majority of turbofan engine components are susceptible to degradation over the life of their operation. Turbofan engine degradation has an impact to engine performance, operability, and reliability. Predicting accurate remaining useful life (RUL) of a commercial turbofan engine based on a variety of complex sensor data is of paramount importance for the safety of the passengers, safety of flight, and for cost effective operations. That is why it is essential for turbofan engines to be monitored, controlled, and maintained. RUL predictions can either come from model-based or data-based approaches. The model-based approach can be very expensive due to the complexity of the mathematical models and the deep expertise that is required in the domain of physical systems. The data-based approach is more frequently used nowadays thanks to the high computational complexity of computers, the advancements in Machine Learning (ML) models, and advancements in sensors. This paper is going to be focused on Bi-Directional Long Short-Term Memory (BLSTM) models but will also provide a benchmark of several RUL prediction databased models. The proposed RUL prediction models are going to be evaluated based on engine failure prediction benchmark dataset Commercial Modular Aero-Propulsion System Simulation (CMAPSS). The CMAPSS dataset is from NASA which contains turbofan engine run to failure events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google