ارائه مدلی جهت پیش بینی روند زوال تجهیزات در صنایع هوایی مبتنی بر مفهوم یادگیری عمیق (مطالعه موردی: موتور توربوفن هواپیما)
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 78
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTAE-8-2_001
تاریخ نمایه سازی: 16 دی 1402
Abstract:
مدیریت سلامت و پیش بینی عیوب به عنوان یکی از گزاره های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه ای به منظور شناسایی، تشخیص و پیش بینی وضعیت سلامت انواع دارایی های فیزیکی ایفا می نماید. ارزیابی وضعیت سلامت انواع دارایی ها در صنعت هوایی، با هدف ارائه برنامه های نگهداشت، از طریق برآورد وضعیت زوال/تخریب یکی از راهکارهای اساسی است. در این مطالعه، با توجه به محدودیت ها و عدم قطعیت های موجود در روش های مرسوم پیش بینی در حوزه تعیین روند زوال تجهیزات، یک مدل توسعه یافته شبکه عصبی مصنوعی با محوریت مفهوم یادگیری عمیق و مقایسه آن با سایر روش های مرسوم ارائه شد. نتایج مقایسه ای نشان داد که روش شبکه عصبی پرسپترون عمیق با دقت پیش-بینی ۹۴ درصد دارای عملکرد بالایی در تعیین روند زوال در موتورهای توربینی هواپیما در مقایسه با سایر روش های مرسوم داشته است. نتایج حاصل از این تحقیق می تواند در پیش بینی عمر مفید باقی مانده و نیز ارائه برنامه های مناسب نگهداشت در تجهیزات صنایع هوایی مورد استفاده باشد.
Keywords:
Authors
سعید رمضانی
استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
حمزه سلطانعلی
استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
امیر بیرامی
کارشناس ارشد، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :