Details

The purpose of this research is to develop an interpretable and accurate predictive maintenance framework for estimating the Remaining Useful Life (RUL) of turbofan engines by integrating feature clustering with Explainable Artificial Intelligence (XAI) techniques. Feature clustering is used to capture the relationship between features that can potentially influence the final prediction and improve interpretability, enabling a better understanding of feature contributions. The research set the following goals: 1. A precise analysis of the literature on machine learning models for remaining useful life prediction of aircraft engines. 2. Training and testing the proposed model for prediction of the remaining useful. Life prediction by training and testing the model on the sensor database proposed in the report. 3. Implementation of proposed methodologies (BiLSTM, Hybrid CNN-LSTM) model. 4. Implementing feature clustering for dimensionality reduction. 5. Implementing AXI to explain the model result and improve its  During the work, feature clustering was used to eliminate the need to use complex models; instead, a BILSTM model with a single hidden layer was used (LSTM+CNN hybrid model). In the post-model phase, SHAP values are applied to facilitate the interpretation of RUL prediction and help determine the cause of the engine’s failure. The implementation of feature clustering enabled significant model simplification, replacing complex architectures with an optimized bidirectional LSTM (BiLSTM) containing just a single hidden layer. This dimensionality reduction technique effectively captured the essential degradation patterns while maintaining predictive performance. For comparative analysis, a hybrid LSTM-CNN architecture was also evaluated to assess potential performance gains from spatial-temporal feature extraction. The model was evaluated utilizing seven synthetic features obtained through feature clustering, employing a fixed time window of 30 operational cycles. The remaining useful life (RUL) values were capped at 130 cycles to reflect the non-linear degradation patterns observed in the initial stages of engine operation. For the purpose of model optimization, the Adam optimizer was utilized with a starting learning rate of 0.01, which exhibited enhanced convergence properties during the hyperparameter tuning process. The network architecture was comprised of a single bidirectional LSTM layer containing 128 units, utilizing tanh activation functions and a dropout rate of 0.2 for regularization. This setup achieved an optimal equilibrium between model capacity and computational efficiency while reducing the risks of overfitting.

Целью данного исследования является разработка интерпретируемой и точной структуры предиктивного обслуживания для оценки остаточного срока службы (RUL) турбовентиляторных двигателей путем интеграции кластеризации признаков с методами объяснимого искусственного интеллекта (XAI). Кластеризация признаков используется для фиксации взаимосвязи между признаками, которые могут потенциально повлиять на окончательный прогноз и улучшить интерпретируемость, что позволяет лучше понять вклад признаков. В исследовании были поставлены следующие цели: 1. Точный анализ литературы по модели машинного обучения для прогнозирования остаточного срока службы авиационных двигателей. 2. Обучение и тестирование предлагаемой модели для прогнозирования оставшегося полезного прогноза срока службы путем обучения и тестирования модели на базе данных датчиков, предложенной в отчете. 3. Внедрение предлагаемых методологий BILSTM, HybridCNN-LSTM) модели. 4. Реализация кластеризации признаков для снижения размерности. 5. Реализация AXI для объяснения результата модели и улучшения. В ходе работы кластеризация признаков использовалась для устранения необходимости использования сложных моделей; вместо этого используется модель BILSTM с одним скрытым слоем и (гибридная модель LSTM+CNN). На этапе пост-моделирования значения SHAP применяются для облегчения интерпретации прогноза RUL и определения причины отказа двигателя. Реализация кластеризации признаков позволила значительно упростить модель, заменив сложные архитектуры оптимизированной двунаправленной LSTM (BiLSTM), содержащей только один скрытый слой. Этот метод снижения размерности эффективно улавливает основные закономерности деградации, сохраняя при этом прогностическую эффективность. Для сравнительного анализа также оценивалась гибридная архитектура LSTM-CNN для оценки потенциального прироста производительности от пространственно-временного извлечения признаков. Модель оценивалась с использованием семи синтетических признаков, полученных с помощью кластеризации признаков, с использованием фиксированного временного окна в 30 рабочих циклов. Значения остаточного срока службы (RUL) были ограничены 130 циклами, чтобы отразить нелинейные закономерности деградации, наблюдаемые на начальных этапах работы двигателя. Для оптимизации модели использовался оптимизатор Adam с начальной скоростью обучения 0,01, который продемонстрировал улучшенные свойства сходимости во время процесса настройки гиперпараметров. Архитектура сети состояла из одного двунаправленного слоя LSTM, содержащего 128 единиц, с использованием функций активации tanh и коэффициента отсева 0,2 для регуляризации. Эта настройка достигла оптимального равновесия между емкостью модели и вычислительной эффективностью, одновременно снижая риски переобучения.