利用机器学习确定航空发动机预测维修方法

摘要

预测性维护(PdM)是指机器根据历史数据、完整性因素、统计推断方法和目前常用于飞机维护的工程方法执行维 护计划的状态。对飞机进行预测性维护，以避免更糟糕的事件或故障发生，并通过应用机器学习(ML)获得关于飞机机器状态 的信息，以获得高准确度和精确度。本研究旨在寻找在精度指标上最适用于飞机预测性维护的机器学习方法和技术。通过分 类和回归对最大似然技术进行了划分，并对三种最大似然方法进行了比较，即随机森林(RF)、支持向量机(SVM)和简单 LSTM。 分类技术研究的结果是 LSTM 98.7%，SVM 95.6%，RF 900.3%。另一方面，关于 MAE 和 RMSE ML 结果的回归技术是 LSTM 13， 55 和 22，13，SVM 15，77 和 20，51，RF 15，06 和 19，98。在计算飞机发动机的预测性维护数据时，分类技术比回归技术 更好、更快。在本研究中，最大似然法的 LSTM 法比其他方法具有更高的精度和更快的时间处理速度，是最适合的方法。最后， 本文强烈推荐使用 LSTM 方法结合最大似然分类技术来确定飞机发动机的预测性维护。