ارائه مدلی جهت پیش بینی روند زوال تجهیزات در صنایع هوایی مبتنی بر مفهوم یادگیری عمیق (مطالعه موردی: موتور توربوفن هواپیما)
- سال انتشار: 1403
- محل انتشار: فصلنامه فناوری در مهندسی هوافضا، دوره: 8، شماره: 2
- کد COI اختصاصی: JR_JTAE-8-2_001
- زبان مقاله: فارسی
- تعداد مشاهده: 239
نویسندگان
استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
کارشناس ارشد، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
چکیده
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 مصنوعیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.