Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, farklı çalışma koşulları altında çalışan havacılık motorları için ReACT adı verilen rejim farkındalıklı bir mimari önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Kalan Yararlı Ömür (Remaining Useful Life - RUL) tahmini endüstriyel sistemlerin güvenilirliğini artırmak amacıyla son yıllarda büyük önem kazanmıştır. Kestirimci bakım (Predictive Maintenance - PdM) kapsamında RUL tahmini, bakım karar verme süreçlerinin desteklenmesi ve bakım faaliyetlerinin daha etkin planlanması açısından kritik bir rol oynamaktadır. Havacılık alanında da PdM yöntemlerinin entegrasyonuna ihtiyaç duyulmaktadır. Ancak havacılık motorlarının sabit koşullar yerine farklı irtifalar ve hızlar gibi değişken çalışma koşulları altında faaliyet göstermesi, sensör ölçümlerinin yorumlanmasını zorlaştırmaktadır. Bu durum RUL tahmin performansını olumsuz etkilemektedir. Bu çalışmada, farklı çalışma koşulları altında çalışan havacılık motorları için ReACT adı verilen rejim farkındalıklı bir mimari önerilmektedir. Önerilen mimari iki ana aşamadan oluşmaktadır. İlk aşamada, K-means kümeleme yöntemi kullanılarak çalışma rejimleri belirlenmekte ve verilere rejime duyarlı normalizasyon uygulanmaktadır. İkinci aşamada ise Etkili Kanal Dikkati (Efficient Channel Attention) mekanizması ile iki aşamalı dikkat yapısını birleştiren bir Transformer mimarisi kullanılmaktadır. Bu yapı sayesinde zamansal bozunma örüntüleri ve sensörler arasındaki ilişkiler etkin biçimde modellenmektedir. NASA C-MAPSS veri seti üzerinde gerçekleştirilen deneysel sonuçlar, ReACT mimarisinin kalan yararlı ömür tahmin hatalarını önemli ölçüde azalttığını ve mevcut yöntemlere kıyasla RMSE ve NASA Skoru metriklerinde anlamlı iyileşmeler sağladığını göstermektedir.
Abstract
Remaining Useful Life (RUL) estimation has gained significant importance in recent years to improve the reliability of industrial systems. Within the scope of Predictive Maintenance (PdM), RUL estimation plays a critical role in supporting maintenance decision-making processes and planning maintenance activities more effectively. The integration of PdM methods is also needed in the aviation sector. However, the fact that aircraft engines operate under variable conditions, such as different altitudes and speeds, rather than constant conditions, makes the interpretation of sensor measurements difficult. This negatively affects RUL estimation performance. In this study, a regime-aware architecture called ReACT is proposed for aircraft engines operating under different conditions. The proposed architecture consists of two main stages. In the first stage, operating regimes are determined using the K-means clustering method, and regime-aware normalization is applied to the data. In the second stage, a Transformer architecture combining a two-stage attention mechanism with the Efficient Channel Attention mechanism is used. This structure effectively models temporal degradation patterns and relationships between sensors. Experimental results on the NASA C-MAPSS dataset show that the ReACT architecture significantly reduces remaining useful life estimation errors and provides significant improvements in RMSE and NASA Score metrics compared to existing methods.