Ein gestapelter tiefer Faltungsneuronales Netzwerk zur Vorhersage des verbleibenden nützlichen Lebens einer Turbomotor-Engine

Dieses Papier stellt datengetriebene Techniken und Methodologien vor, die zur Vorhersage des verbleibenden nützlichen Lebens (RUL) einer Flotte von Flugzeugtriebwerken verwendet werden, die Versagen unterschiedlichster Art unterliegen können. Die vorgestellte Lösung basiert auf zwei tiefen Faltungsneuronalen Netzen (DCNN), die in zwei Ebenen gestapelt sind. Das erste DCNN wird verwendet, um einen niedrigdimensionalen Merkmalsvektor unter Verwendung der normierten Rohdaten als Eingabe zu extrahieren. Das zweite DCNN nimmt eine Liste von Vektoren aus dem ersten DCNN auf und schätzt das RUL. Die Modellauswahl wurde durch Bayes'sche Optimierung unter Verwendung eines wiederholten zufälligen Stichprobenverifikansansatzes durchgeführt. Die vorgeschlagene Methodologie belegte beim Data Challenge der PHM Konferenz 2021 den dritten Platz.