پیش‌بینی عمر مفید باقیمانده موتورهای توربین‌ گاز به روش دسته‌بندی سنی و بررسی مقاوم بودن روش پیشنهادی در شرایط کمبود داده

روش‌های داده-پایه برای پیش‌بینی عمر، معمولاً نیازمند مقدار زیادی داده برای دستیابی به عملکرد مطلوب می‌باشند. لذا عملکرد آن‌ها به‌طور معمول برای مقادیر کم داده‌های آموزش مطلوب نمی‌باشد. روش پیش‌بینی به کمک دسته‌بندی سنی حجم داده‌های آموزش را از طریق بازتولید مجموعه اولیه داده‌ها افزایش می‌دهد، لذا این روش می‌تواند در مواردی که داده‌های آموزش اندک می‌باشد، استفاده شود. همچنین، ساختار پیشنهادی می‌تواند با بسیاری از روش‌های پیش‌بینی، ترکیب و دقت آن‌ها را به‌طور قابل توجهی بهبود ببخشد. در این مقاله، ساختار مدل پیش‌بینی عمر پیشنهادی شرح و اثربخشی آن برای پیش‌بینی در یک مطالعه موردی در موتورهای توربین گاز بررسی شده است. در بخش نخست، داده‌های کافی برای آموزش در دسترس بوده و نتایج آن با بهترین مقالات ارائه شده بر روی داده‌های مشابه مقایسه شده است. در بخش دوم، مقاوم بودن روش پیشنهادی در شرایط حجم داده‌های آموزش محدود بررسی شده است. در این قسمت خطای پیش‌بینی عمر برای موارد مختلف با حجم محدود داده‌های آموزش مقایسه شده است. نتایج این تحقیق اولاً بهره‌وری روش پیشنهادی را در مقایسه با سایر رویکردهای موجود نشان می‌دهد، و دوم مقاوم بودن روش را (در شرایط داده‌های محدود) نشان می‌دهد.

Age-Based Clustering Prognostics of Gas Turbines and Evaluation of the Proposed Method Robustness in Data Deficient Conditions

The acceptable performance of the datadriven prognostics methods usually requires a large amount of data, therefore the performance usually is not desirable for small amount of data. The age clustering method multiplies the volume of the train data through observing data at multiple points. The advantage of the method is that it can be used for learning from a small set of data. The proposed approach is integratable with existing prediction methods and improves the accuracy of their result significantly. In this article, the ABC prognosis framework is described, its effectiveness for prognosis in normal conditions is illustrated in a case study on turbofan engines and a comparison with existing results on the same data is made. The paper continues with a study on the robustness of the proposed method under limited data conditions. The prognosis accuracy is compared for the case study in various conditions of available train data. The results emphasize (1) the efficiency of the method compared to other existing approaches in normally rich data condition and (2) the robustness of the results under limited data condition.