تتطلب إدارة صحة المحركات (Engine Health Management - EHM) تقديرات موثوقة لعمر القطع المتبقي (Remaining Useful Life - RUL) ورصد مؤشرات الحرارة الحرجة، مثل درجة حرارة الغاز التوربيني (Turbine Gas Temperature - TGT). ومع تعقيد البيانات الحقيقية التي تتميز بتنوعها وعدم استقرارها، قد تكون التنبؤات الفردية غير كافية لاتخاذ قرارات صيانة مدروسة.
إزاء هذه التحديات، يقدم البحث الجديد إطار عمل مبتكر لتعلم الآلة العلمية، يجمع بين توقع درجة حرارة الغاز التوربيني غير المعدلة (Untrimmed Turbine Gas Temperature - TGTU)، وتغير درجة حرارة الغاز التوربيني (Delta Turbine Gas Temperature - DTGT)، والعمر المتبقي للقطع (RUL) مع تقدير موثوق للغموض في شكل فترات تنبؤ.
يعتمد هذا الإطار على مُشفّر تسلسلي مشترك (shared sequence encoder) يتضمن واجهة أمامية ملتفة (convolutional front-end) مع طبقات LSTM ثنائية الاتجاه (Bidirectional LSTM) ودمج الانتباه (attention pooling). يقوم هذا المُشفّر بإمداد رؤوس المهام المحددة، بما في ذلك تقدير المتوسط والانحراف (mean-variance estimation) للتنبؤ الاحتمالي، ويمكن أن يتضمن رأس بقاء (survival head) لنمذجة الأحداث القائمة على العتبات.
تم تصميم هذا الإطار ليكون قابلاً للتعديل من خلال مجموعة صغيرة من المعلمات التي تهم الممارسين (مثل قواعد عتبة DTGT وبناء أهداف RUL) مما يتيح للتطبيق التوافق مع السياسات الداخلية والمعايير المملوكة.
تمت تقييم الأداء التنبؤي للإطار المقترح باستخدام مقاييس متعددة للنقاط والفترات، بما في ذلك متوسط الخطأ المطلق (Mean Absolute Error - MAE)، واحتمالية تغطية فترة التنبؤ (Prediction Interval Coverage Probability - PICP)، ومتوسط عرض فترة التنبؤ (Mean Prediction Interval Width - MPIW)، ومعيار تغطية العرض (Coverage-Width Criterion - CWC).
تم الإبلاغ عن النتائج بشكل مجمع ومصنّف وفقًا لمرحلة الطيران وقطاع الصيانة، مما يبرز تأثيرات السياق العملياتي ويدعم المراقبة الواعية للغموض.

في ظل تقدم علم تطبيقات الذكاء الاصطناعي، كيف ترون تأثير هذه التطورات على صناعة الطيران؟ شاركونا آرائكم في التعليقات!