Εφαρμογή μεθόδων μηχανικής μάθησης για την πρόβλεψη αστοχιών σε αεριοστρόβιλους

Abstract

Η παρούσα εργασία πραγματεύεται την εκτίμηση της εναπομένουσας ζωής (RUL-Remaining Useful Life) ενός αεριοστρόβιλου με χρήση μεθόδων μηχανικής μάθησης. Στην εποχή των Big Data και της ανάλυσης δεδομένων η σωστή εκμετάλλευση ροών δεδομένων και η επεξεργασία τους μπορεί να φέρουν μεγάλα οφέλη για την βιομηχανία. Στην εργασία αυτή σκοπός είναι να βρεθούν τα κατάλληλα δεδομένα για αεριοστρόβιλους και στη συνέχεια να γίνει επεξεργασία τους με τα κατάλληλα μαθηματικά εργαλεία για να υλοποιηθεί η όσο το δυνατόν καλύτερη εκτίμηση του RUL. Τα μαθηματικά εργαλεία τα οποία χρησιμοποιήθηκαν προέρχονται από τον χώρο της Μηχανικής Μάθησης και συγκεκριμένα χρησιμοποιήθηκαν 3 αλγόριθμοι ο SVM (SVR), o XGBoost και ο Random Forest. Τα δεδομένα προήλθαν από το Dataset της NASA FD001 και πραγματοποιήθηκε ανάλυση τους με σκοπό να βρεθούν τα δεδομένα αυτά τα οποία βοηθούν τους αλγορίθμους να αποδώσουν καλύτερα. Ο σκοπός για τον οποίο χρησιμοποιήθηκαν οι συγκεκριμένοι αλγόριθμοι είναι ότι στην βιβλιογραφία πάνω στο συγκεκριμένο Dataset παρόλο που έχουν γίνει χιλιάδες εφαρμογές με χρήση νευρωνικών δικτύων δεν έχει γίνει κάποια ικανοποιητική εφαρμογή των συγκεκριμένων αλγορίθμων, η οποία να έχει καταλήξει σε αξιόλογα αποτελέσματα, ενώ γενικά είναι αλγόριθμοι οι οποίοι πολλές φορές αποδίδουν καλύτερα ή δίνουν ανταγωνιστικά αποτελέσματα ως προς τα νευρωνικά δίκτυα. Στα αποτελέσματα όπως αυτά προέκυψαν στην παρούσα εργασία , φαίνεται ότι οι αλγόριθμοι μετά από συνδυασμό διάφορων τεχνικών προσθηκών απέδωσαν καλύτερα από υπάρχουσες λύσεις Νευρωνικών δικτύων οι οποίες υπάρχουν στην βιβλιογραφία. Επίσης βάσει των αποτελεσμάτων φαίνεται να είναι οι καλύτερες λύσεις οι οποίες αφορούν μεθόδους μη χρήσης νευρωνικών δικτύων.