پيش‌بيني عمر مفيد باقيمانده موتورهاي توربين‌ گاز به روش دسته‌بندي سني و بررسي مقاوم بودن روش پيشنهادي در شرايط كمبود داده

Age-Based Clustering Prognostics of Gas Turbines and Evaluation of the Proposed Method Robustness in Data Deficient Conditions

روش‌هاي داده-پايه براي پيش‌بيني عمر، معمولاً نيازمند مقدار زيادي داده براي دستيابي به عملكرد مطلوب مي‌باشند. لذا عملكرد آن‌ها به‌طور معمول براي مقادير كم داده‌هاي آموزش مطلوب نمي‌باشد. روش پيش‌بيني به كمك دسته‌بندي سني حجم داده‌هاي آموزش را از طريق بازتوليد مجموعه اوليه داده‌ها افزايش مي‌دهد، لذا اين روش مي‌تواند در مواردي كه داده‌هاي آموزش اندك مي‌باشد، استفاده شود. همچنين، ساختار پيشنهادي مي‌تواند با بسياري از روش‌هاي پيش‌بيني، تركيب و دقت آن‌ها را به‌طور قابل توجهي بهبود ببخشد. در اين مقاله، ساختار مدل پيش‌بيني عمر پيشنهادي شرح و اثربخشي آن براي پيش‌بيني در يك مطالعه موردي در موتورهاي توربين گاز بررسي شده است. در بخش نخست، داده‌هاي كافي براي آموزش در دسترس بوده و نتايج آن با بهترين مقالات ارائه شده بر روي داده‌هاي مشابه مقايسه شده است. در بخش دوم، مقاوم بودن روش پيشنهادي در شرايط حجم داده‌هاي آموزش محدود بررسي شده است. در اين قسمت خطاي پيش‌بيني عمر براي موارد مختلف با حجم محدود داده‌هاي آموزش مقايسه شده است. نتايج اين تحقيق اولاً بهره‌وري روش پيشنهادي را در مقايسه با ساير رويكردهاي موجود نشان مي‌دهد، و دوم مقاوم بودن روش را (در شرايط داده‌هاي محدود) نشان مي‌دهد.

The acceptable performance of the data-driven prognostics methods usually requires a large amount of data, therefore the performance usually is not desirable for small amount of data. The age clustering method multiplies the volume of the train data through observing data at multiple points. The advantage of the method is that it can be used for learning from a small set of data. The proposed approach is integratable with existing prediction methods and improves the accuracy of their result significantly. In this article, the ABC prognosis framework is described, its effectiveness for prognosis in normal conditions is illustrated in a case study on turbofan engines and a comparison with existing results on the same data is made. The paper continues with a study on the robustness of the proposed method under limited data conditions. The prognosis accuracy is compared for the case study in various conditions of available train data. The results emphasize (1) the efficiency of the method compared to other existing approaches in normally rich data condition and (2) the robustness of the results under limited data condition.