Прогнозное техническое обслуживание производственных и аэрокосмических систем на основе искусственного интеллекта
AI-Driven Predictive Maintenance for Manufacturing and Aerospace Systems
2024-01-25
SCID: 54.1/zbpeme6y
Discuss with AI
Набор данных AI4I 2020 для прогнозного технического обслуживанияМашинное обучениеНабор данных NASA C-MAPSS по деградации турбовентиляторных двигателейПрогнозное техническое обслуживаниеПрогнозирование остаточного ресурса
Figures from the paper
Abstract (AI)
Эпоха интеллектуальной инженерии и Индустрии 5.0 обусловила все более широкое применение искусственного интеллекта (ИИ), машинного обучения (МО) и прогнозного технического обслуживания (ПТО) для повышения производительности, устойчивости и надежности производственных и аэрокосмических систем. Традиционные стратегии технического обслуживания основаны на плановых проверках или восстановительном обслуживании, что создает риск непредвиденных отказов оборудования, увеличения эксплуатационных расходов, простоев и уязвимостей системы. В настоящем исследовании предлагается интеллектуальная и устойчивая инженерная платформа, объединяющая современные методы машинного обучения со стратегиями прогнозного технического обслуживания для повышения качества принятия решений и эксплуатационной эффективности производственных и аэрокосмических систем нового поколения, а также эффективного управления активами. Для демонстрации достоверности предложенной платформы использованы два эталонных набора данных: AI4I 2020 Predictive Maintenance Dataset, предназначенный для сред интеллектуального производства, и NASA C-MAPSS Turbofan Engine Degradation Dataset, предназначенный для мониторинга технического состояния авиационных двигателей и прогнозирования остаточного ресурса. Разработанная методология включает предварительную обработку данных, конструирование признаков, отбор признаков, разработку моделей машинного обучения, оптимизацию гиперпараметров и сравнение производительности моделей. Для прогнозирования отказов в производстве применяются такие модели, как искусственные нейронные сети, случайный лес, метод опорных векторов, XGBoost, LightGBM, CatBoost и сети с долговременной краткосрочной памятью (LSTM), тогда как для оценки остаточного ресурса (RUL) в аэрокосмической отрасли используются регрессор случайного леса, регрессор XGBoost и сети с долговременной краткосрочной памятью (LSTM). Для оценки производительности моделей используются точность, precision, полнота, F1-мера, ROC-AUC, средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (RMSE) и коэффициент детерминации (R2). Ожидается, что предложенная платформа повысит точность...
Key Findings
1
Для оценки остаточного ресурса авиадвигателей применяются Random Forest Regressor, XGBoost Regressor и LSTM-сети.
2
Для прогнозирования производственных отказов сравниваются искусственные нейронные сети, Random Forest, метод опорных векторов, XGBoost, LightGBM, CatBoost и LSTM.
3
Производительность моделей оценивается классификационными и регрессионными метриками, включая accuracy, precision, recall, F1 score, ROC-AUC, MAE, RMSE и R²; численные результаты в аннотации не приведены.
4
Фреймворк оценивается на наборе AI4I 2020 для прогнозирования отказов в производстве и NASA C-MAPSS для мониторинга состояния авиадвигателей и оценки остаточного ресурса.
5
В работе представлен ИИ-ориентированный фреймворк предиктивного обслуживания, объединяющий предобработку данных, инженеринг признаков, отбор признаков, разработку моделей, оптимизацию гиперпараметров и сравнение результатов.
Research Object
Производственное оборудование и авиационные турбореактивные двигатели
Research Subject
Прогнозное техническое обслуживание на основе ИИ, включая прогнозирование отказов в производстве и оценку остаточного ресурса авиационных двигателей
Publication Details
Publication Date
2024-01-25
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest