ارائه مدلی جهت پیش بینی روند زوال تجهیزات در صنایع هوایی مبتنی بر مفهوم یادگیری عمیق (مطالعه موردی: موتور توربوفن هواپیما)

مدیریت سلامت و پیش بینی عیوب به عنوان یکی از گزاره های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه ای به منظور شناسایی، تشخیص و پیش بینی وضعیت سلامت انواع دارایی های فیزیکی ایفا می نماید. ارزیابی وضعیت سلامت انواع دارایی ها در صنعت هوایی، با هدف ارائه برنامه های نگهداشت، از طریق برآورد وضعیت زوال/تخریب یکی از راهکارهای اساسی است. در این مطالعه، با توجه به محدودیت ها و عدم قطعیت های موجود در روش های مرسوم پیش بینی در حوزه تعیین روند زوال تجهیزات، یک مدل توسعه یافته شبکه عصبی مصنوعی با محوریت مفهوم یادگیری عمیق و مقایسه آن با سایر روش های مرسوم ارائه شد. نتایج مقایسه ای نشان داد که روش شبکه عصبی پرسپترون عمیق با دقت پیش-بینی ۹۴ درصد دارای عملکرد بالایی در تعیین روند زوال در موتورهای توربینی هواپیما در مقایسه با سایر روش های مرسوم داشته است. نتایج حاصل از این تحقیق می تواند در پیش بینی عمر مفید باقی مانده و نیز ارائه برنامه های مناسب نگهداشت در تجهیزات صنایع هوایی مورد استفاده باشد.

کلیدواژه ها:

صنعت هوایی ، پیش بینی زوال ، یادگیری عمیق ، موتور توربوفن ، یادگیری با نظارت ، شبکه های عصبی مصنوعی