Details

Целью работы является создание модели машинного обучения для прогнозирования остаточного ресурса турбовентиляторного оборудования (на примере датасета CMAPSS) с применением переноса обучения на базе состязательной доменной адаптации. Предметом исследования являются методы глубокого машинного обучения и алгоритмы доменной адаптации для оценки технического состояния сложных инженерных систем. Задачи, решаемые в ходе исследования: 1. Анализ исследуемой области и существующих подходов к прогнозированию остаточного ресурса. 2. Подготовка и предварительная обработка данных многомерных временных рядов телеметрии из набора данных NASA СMAPSS. 3. Разработка и обучение моделей глубоких нейронных сетей (на базе архитектуры LSTM) для прогнозирования состояния оборудования. 4. Реализация переноса обучения с использованием архитектуры DANN. 5. Оценка эффективности разработанной системы и анализ влияния доменной адаптации на точность прогнозирования остаточного ресурса. В ходе работы была разработана модель нейросети для прогнозирования остаточного ресурса, оцениваемого в виде абстрактного индекса здоровья (Health Index). Была продемонстрирована высокая эффективность применения переноса обучения с доменной адаптацией: LSTM-DANN модель показала  значительно лучшую точность предсказаний на целевом домене с отличными типами неисправности по сравнению с базовой (Source-Only) моделью. Полученные результаты могут быть использованы в качестве основы для проектирования систем предиктивной аналитики и внедрения стратегий обслуживания по состоянию на промышленных предприятиях.

The purpose of the study is to create a machine learning model for predicting the remaining useful life of turbofan equipment (using the CMAPSS dataset) with the application of transfer learning based on adversarial domain adaptation. The subject of the work is deep machine learning methods and domain adaptation algorithms for assessing the technical condition of complex engineering systems. The following tasks were addressed in this study: 1. Analyzing the research area and existing approaches to remaining useful life prediction. 2. Preprocessing and preparing multidimensional telemetry time series data from the NASA CMAPSS dataset. 3. Developing and training deep neural network models (based on the LSTM architecture) for equipment condition forecasting. 4. Implementing transfer learning using the DANN architecture. 5. Evaluating the effectiveness of the developed system and analyzing the impact of domain adaptation on remaining useful life prediction accuracy. During the work, a neural network model was developed for predicting the remaining useful life evaluated as an abstract Health Index. A high efficiency of applying transfer learning with domain adaptation was demonstrated: the LSTM-DANN model showed significantly better prediction accuracy on the target domain with different fault types compared to the baseline (Source-Only) model. The results could be used as a base for designing predictive analytics systems and implementing condition-based maintenance strategies at industrial enterprises.