通过使用长短期记忆的先进发动机健康监测来提高飞机安全性
Suleyman Yildirim1, Zeeshan A Rana2
1Digital Aviation Research and Technology Centre (DARTeC), Cranfield University, Bedford MK43 0AL, UK.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
使用长短期内存 (LSTM) 模型进行预测性维护,可以准确预测飞机发动机寿命. 这种方法通过高精度预测维护需求,提高了航空业的安全性和效率.
科学领域:
- 人工智能的人工智能
- 航空航天工程 航空航天工程
- 机械工程 机械工程
背景情况:
- 预测性维护对于管理成本和航空等行业的安全至关重要.
- 发动机传感器数据是评估主动维护磨损和撕裂的关键.
- 准确预测发动机寿命,优化运营效率和安全.
研究的目的:
- 预测飞机发动机剩余的使用寿命.
- 为了评估长期短期存储器 (LSTM) 架构对此任务的有效性.
- 将LSTM的性能与其他预测性维护方法进行比较.
主要方法:
- 使用长短期记忆 (LSTM) 神经网络架构.
- 采用美国宇航局的轮风扇发动机腐败模拟数据集进行模型培训和评估.
- 将LSTM性能与替代预测性维护技术进行比较.
主要成果:
- 该LSTM模型实现了98.916%的分类准确度.
- 该模型显示低平均值的绝对误差为1.284%.
- 在预测发动机剩余使用寿命方面,LSTM的表现优于其他方法.
结论:
- LSTM是一种高效的深度学习模型,用于飞机发动机的预测性维护.
- 开发的模型在准确性和错误减少方面提供了显著的改进.
- 这项研究支持通过先进的预测来提高航空业的安全性和运营效率.
