Un réseau neuronal convolutif profond empilé pour prédire la durée de vie utile restante d'un moteur à turbine axiale

Ce document présente les techniques et méthodologies axées sur les données utilisées pour prédire la durée de vie utile restante (RUL) d'une flotte de moteurs d'avion susceptibles de subir des pannes de nature variée. La solution proposée repose sur deux Réseaux Neuronaux Convolutifs Profonds (DCNN) empilés en deux niveaux. Le premier DCNN est utilisé pour extraire un vecteur de caractéristiques de faible dimension à partir des données brutes normalisées. Le second DCNN prend en entrée une liste de vecteurs issus du premier DCNN et estime la RUL. La sélection du modèle a été réalisée par optimisation bayésienne, en utilisant une approche de validation par sous-échantillonnage aléatoire répété. La méthodologie proposée a obtenu le troisième rang au Défi de Données du Congrès PHM 2021.