Hybrid Deep Learning Model-based For Remaining Useful Life Estimation.

Ikram , Bekhouche , Allam Dounyazed

Please use this identifier to cite or link to this item: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3232

Full metadata record

DC Field	Value	Language
dc.contributor.author	Ikram , Bekhouche , Allam Dounyazed	-
dc.date.accessioned	2023-11-21T10:28:39Z	-
dc.date.available	2023-11-21T10:28:39Z	-
dc.date.issued	2023-11	-
dc.identifier.citation	Sciences et Technologies de l’Information et de la Communication (STIC).	en_US
dc.identifier.uri	http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3232	-
dc.description	L’estimation précise de la Durée de Vie Utile Restante (DVUR) revêt une importance primordiale dans les stratégies de pronostic et de maintenance basée sur l’état (MBE). La prédiction de la DVUR joue un rôle essentiel dans la réduction des risques liés aux défaillances des machines. Grâce à la surveillance continue des conditions de la machine et à une prédiction précise de la DVUR, des mesures préventives peuvent être mises en oeuvre pour éviter les pannes imprévues. Les méthodologies d’apprentissage en profondeur ont démontré une efficacité remarquable dans la prévision précise de la DVUR dans diverses applications. En exploitant les capacités des réseaux neuronaux et des algorithmes avancés, ces techniques décryptent avec compétence des données complexes, extrayant des motifs et des caractéristiques saillantes. L’objectif principal de cee memoire est de proposer un modèle hybride basé sur l’apprentissage en profondeur qui exploite des techniques d’apprentissage en profondeur sophistiquées pour fournir un pronostic précis de la Durée de Vie Utile Restante (DVUR) pour les moteurs turboréacteurs d’avion. Ensuite, nous tentons d’améliorer la précision du modèle proposé en utilisant des techniques d’optimisation basées sur l’apprentissage en profondeur, telles que l’architecture multi-têtes et le mécanisme d’attention.	en_US
dc.description.abstract	The precise estimation of Remaining Useful Life (RUL) holds crucial importance in mitigating the risks of machine failures, specifically in prognosis and condition-based maintenance (CBM). Through continuous monitoring of machine conditions and accurate RUL prediction, preemptive measures can be implemented to avert unforeseen breakdowns. Over the past years, deep learning models have demonstrated remarkable effectiveness in accurately predicting RUL across diverse applications. These techniques are able to effectively extract meaningful patterns and features from complex data. The primary objective of this Master’s thesis is to propose a hybrid deeplearning model that leverages advanced deep learning techniques such as multi-head architecture and attention mechanism, to offer an accurate prognosis of the Remaining Useful Life (RUL) for airplane turbofan engines.	en_US
dc.language.iso	en	en_US
dc.publisher	university center of abdalhafid boussouf - MILA	en_US
dc.subject	Remaining Useful Life, Artificial Intelligence, Prognostics and Health Management, Deep Neural Networks, Multi-Head Architecture, Attention Mechanism, C-MAPSS	en_US
dc.subject	Durée de Vie Utile Restante, Intelligence Artificielle, Pronostics et Gestion de la Santé, Réseaux Neuronaux, Architecture Multi-Têtes, Mécanisme d’Attention, C-MAPSS	en_US
dc.title	Hybrid Deep Learning Model-based For Remaining Useful Life Estimation.	en_US
dc.type	Thesis	en_US
Appears in Collections:	Computer science

Files in This Item:

File	Description	Size	Format
Hybrid Deep Learning Model-based For.pdf		3,92 MB	Adobe PDF	View/Open

Show simple item record