Une approche d’optimisation pour une meilleure efficacité d’un modèle d’estimation de temps restant utile du moteur à double flux à base de deep learning

Abstract

L’estimation de la durée de vie utile restante (RUL) est une mesure pronostique efficace qui prévoit l’état de santé de la machine en fonction de la modélisation de la dégradation et de la surveillance de l’état. L’application de la prédiction de la durée de vie utile restante (RUL) est très importante en termes d’optimisation énergétique, de rentabilité et d’atténuation des risques. Les algorithmes de prédiction RUL existants constituent principalement des cadres d’apprentissage en profondeur. Dans ce mémoire, nous implémentons le modèle LSTM et ajoutons une autre couche d’optimisation utilisant des algorithmes génétiques, dont l’objectif est améliorer la cohérence des prévisions. Les hyper-paramètres - taux d’apprentissage, taille de lot, nombre d’unités, taille de fenêtre et nombres d’époques sont optimisé au-delà de la capacité manuelle. Ce modèle est testé sur le jeu de données de la NASA Turbofan Jet Engine. L’architecture optimisée peut prédire les hyper-paramètres donnés de manière autonome et fournir des résultats supérieurs. Les tests et l’évaluation du modèle mentionné démontrent les avantages de l’utilisation de tels algorithmes et leur efficacité dans la résolution de tels problèmes