پیش بینی عمر مفید باقیمانده موتورهای توربین گاز به روش دسته بندی سنی و بررسی مقاوم بودن روش پیشنهادی در شرایط کمبود داده

روش های پیش بینی عمر مفید باقیمانده (پروگنوسیس) داده-پایه برای اینکه بتوانند عملکرد مطلوبی داشته باشند، معمولا نیازمند مقدار زیادی داده هستند تا ابتدا به خوبی آموزش ببینند، لذا عملکرد آنها به طور معمول برای مقادیر کم داده های آموزش مطلوب نمی باشد. روش پروگنوسیس به کمک دسته بندی سنی (ABC) حجم داده های آموزش را از طریق بازتولید مجموعه اولیه داده ها در مقاطع مختلف افزایش می دهد، لذا این روش می تواند در مواردی که حجم داده های آموزش اندک می باشد، مورد استفاده واقع شود. همچنین، ساختار پیشنهادی ABC می تواند با بسیاری از روش های متداول پیش بینی و تخمین ترکیب شده و دقت نتایج آنها را به طور قابل توجهی بهبود ببخشد. در این مقاله، ساختار پروگنوسیس ABC شرح و اثربخشی آن برای پیش بینی در یک مطالعه موردی در موتورهای توربین گاز نشان داده شده است. در قسمت اول کار، داده های کافی برای آموزش در دسترس بوده است. نتایج این قسمت با نتایج بهترین مقالات ارایه شده بر روی داده های مشابه مقایسه شده است. در قسمت دوم مطالعه موردی، مقاوم بودن روش پیشنهادی در شرایطی که حجم داده های آموزش محدود باشد بررسی شده است. در این قسمت خطای پیش بینی عمر برای موارد مختلف با حجم محدود داده های آموزش مقایسه شده است. نتایج این تحقیق اولا بهره وری روش ABC را در مقایسه با سایر رویکردهای موجود (در شرایطی که داده آموزش غنای کافی دارد) نشان می دهد، و دوم مقاوم بودن روش را (در شرایطی که داده آموزش محدود است) نشان می دهد.