ثورة في التنبؤ بالعمر المتبقي: طريقة مبتكرة تعتمد على المعالجة المسبقة باستخدام الشبكات التلافيفية الزمنية

في عالم صيانة المحركات الجوية، يعد التنبؤ بدقة بالعمر المتبقي (Remaining Useful Life - RUL) عنصرًا أساسيًا للحفاظ على الأداء وتحسين الاعتمادية التشغيلية. رغم أن الطرق المعتمدة على التعلم العميق أظهرت إمكانيات كبيرة في هذا المجال، إلا أن معظمها يركز لين على تصميم هيكليات النماذج دون أن يولي اهتمامًا كافيًا لتأثير معالجة البيانات المسبقة.

في دراسة جديدة نُشرت على موقع arXiv، يُقترح منهج مبتكر يعزز من تنبؤ العمر المتبقي، معتمدًا على تحسين جودة البيانات والتمثيل الزمني قبل تدريب النموذج. من خلال هذه الطريقة، يتم الاستفادة من تسلسلات زمنية كاملة، مما يتيح للنموذج أن يلتقط ديناميات التدهور الدقيقة ويقدم رؤى تنبؤية مستمرة طوال فترة تشغيل المحرك.

لإثبات فعالية المنهج المقترح، تم إجراء تجارب باستخدام مجموعة بيانات NASA C-MAPSS. أظهرت التقييمات المقارنة ضد مجموعة من النماذج العصبية المتقدمة مثل CNN وRNN وLSTM وDCNN وTCN وBiGRU-TSAM وAGCNN وATCN أن النهج الجديد يحقق باستمرار دقة وقوة تفوق باقي النماذج في تنبؤ العمر المتبقي للمحركات الجوية.

تسلط هذه النتائج الضوء على الدور الحاسم الذي تلعبه المعالجة المسبقة في تعزيز فعالية نماذج التنبؤ العصبية، مما يسهم في تحسين صيانة المحركات وتخفيض تكاليفها على المدى الطويل.