ProgNet: Una Red Profunda Transferible para el Pronóstico de la Propagación de Daños en Motores de Aeronaves bajo Condiciones de Vuelo Reales
Autores: Berghout, Tarek; Mouss, Mohamed-Djamel; Mouss, Leïla-Hayet; Benbouzid, Mohamed
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
ProgNet: Una Red Profunda Transferible para el Pronóstico de la Propagación de Daños en Motores de Aeronaves bajo Condiciones de Vuelo Reales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Aprendizaje automático
Monitoreo de condiciones
Sistemas críticos para la seguridad
Aprendizaje profundo adaptativo por transferencia
Ingeniería de características
Trayectorias de degradación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
El pronóstico de aprendizaje automático para el monitoreo de condiciones de sistemas críticos para la seguridad, como los motores de aeronaves, enfrenta continuamente desafíos de falta de datos, complejidad y deriva. En consecuencia, este documento supera estos desafíos al introducir metodologías de aprendizaje profundo adaptativo por transferencia, fortalecidas con una ingeniería de características robusta. Inicialmente, se utiliza la ingeniería de datos que abarca: (i) reducción de dimensionalidad mediante análisis de componentes principales (PCA); (ii) selección de características utilizando análisis de correlación; (iii) eliminación de ruido con ondas de Cauchy bayesianas empíricas; y (iv) escalado de características para obtener las representaciones de aprendizaje requeridas. A continuación, se entrena un modelo de aprendizaje profundo adaptativo, denominado ProgNet, en un dominio fuente con trayectorias de degradación suficientes generadas por PrognosEase, un generador de datos de fallo para el análisis de deterioro de la salud. Luego, ProgNet se transfiere al dominio objetivo de las características de degradación obtenidas para su ajuste fino. El objetivo principal es lograr una generalización de nivel superior mientras se reduce la complejidad algorítmica, haciendo que los experimentos sean reproducibles en computadoras comerciales disponibles con microprocesadores de cuatro núcleos. ProgNet se prueba en el popular conjunto de datos del Sistema de Simulación Aero-Propulsión Modular Comercial Nuevo (N-CMAPSS) que describe escenarios de vuelo reales. Hasta donde podemos informar, esta es la primera vez que todos los subconjuntos de N-CMAPSS han sido completamente examinados en un experimento de este tipo. Las evaluaciones de ProgNet con numerosas métricas, incluida la conocida función de puntuación CMAPSS, demuestran niveles de rendimiento prometedores, alcanzando 234.61 para todo el conjunto de prueba. Esto es aproximadamente cuatro veces mejor que los resultados obtenidos con los modelos de aprendizaje profundo convencionales comparados.
Descripción
El pronóstico de aprendizaje automático para el monitoreo de condiciones de sistemas críticos para la seguridad, como los motores de aeronaves, enfrenta continuamente desafíos de falta de datos, complejidad y deriva. En consecuencia, este documento supera estos desafíos al introducir metodologías de aprendizaje profundo adaptativo por transferencia, fortalecidas con una ingeniería de características robusta. Inicialmente, se utiliza la ingeniería de datos que abarca: (i) reducción de dimensionalidad mediante análisis de componentes principales (PCA); (ii) selección de características utilizando análisis de correlación; (iii) eliminación de ruido con ondas de Cauchy bayesianas empíricas; y (iv) escalado de características para obtener las representaciones de aprendizaje requeridas. A continuación, se entrena un modelo de aprendizaje profundo adaptativo, denominado ProgNet, en un dominio fuente con trayectorias de degradación suficientes generadas por PrognosEase, un generador de datos de fallo para el análisis de deterioro de la salud. Luego, ProgNet se transfiere al dominio objetivo de las características de degradación obtenidas para su ajuste fino. El objetivo principal es lograr una generalización de nivel superior mientras se reduce la complejidad algorítmica, haciendo que los experimentos sean reproducibles en computadoras comerciales disponibles con microprocesadores de cuatro núcleos. ProgNet se prueba en el popular conjunto de datos del Sistema de Simulación Aero-Propulsión Modular Comercial Nuevo (N-CMAPSS) que describe escenarios de vuelo reales. Hasta donde podemos informar, esta es la primera vez que todos los subconjuntos de N-CMAPSS han sido completamente examinados en un experimento de este tipo. Las evaluaciones de ProgNet con numerosas métricas, incluida la conocida función de puntuación CMAPSS, demuestran niveles de rendimiento prometedores, alcanzando 234.61 para todo el conjunto de prueba. Esto es aproximadamente cuatro veces mejor que los resultados obtenidos con los modelos de aprendizaje profundo convencionales comparados.