Resumen

Las predicciones precisas de la vida útil restante (RUL) de los componentes importantes desempeñan un papel crucial en la fiabilidad del sistema, que es la base del pronóstico y la gestión de la salud (PHM). Este trabajo propone un enfoque de aprendizaje profundo integrado para la predicción de la RUL de un motor de turbofán mediante la integración de un autocodificador (AE) con una red generativa adversarial profunda (DCGAN). En la etapa de preentrenamiento, los datos reconstruidos del AE no solo participan en su reconstrucción de errores, sino que también participan en el entrenamiento de los parámetros de la DCGAN como datos generados de la DCGAN. Gracias a las reconstrucciones de doble error, se mejora la capacidad de extracción de características y se obtiene información abstracta de alto nivel. En la etapa de ajuste, se utiliza una red de memoria a corto plazo (LSTM) para extraer la información secuencial de las características para predecir el RUL. La eficacia del esquema propuesto se verifica en el conjunto de datos de simulación de sistemas modulares de aeropropulsión comercial de la NASA (C-MAPSS). La superioridad del método propuesto se demuestra a través de un excelente rendimiento de predicción y de comparaciones con otros pronósticos del estado del arte existentes. Los resultados de este estudio sugieren que el método de pronóstico basado en datos propuesto ofrece un nuevo y prometedor enfoque de predicción y un eficiente esquema de extracción de características.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:Reconstrucción de errores, capacidades de las características, enfoque de aprendizaje profundo, enfoque de predicción prometedor, aero comercial modular, entrenamiento de parámetros dcgan, esquema de extracción de características, simulación de sistemas de propulsión, red adversarial generativa, excelente rendimiento de predicción
• Keywords:error reconstruction, capabilities of features, deep learning approach, promising prediction approach, commercial modular aero, dcgan parameters training, features extraction scheme, propulsion system simulation, generative adversarial network, excellent prediction performance