[論文レビュー] Remaining Useful Life Prediction for Aircraft Engines using LSTM

Anees Peringal, Mohammed B. Mohiuddin+1 more|arXiv (Cornell University)|Jan 15, 2024

Fault Detection and Control Systems被引用数 5

ひとこと要約

本論文ではLSTMを用いてNASA C-MAPSSの時系列データからジェットエンジンの残存使用寿命（RUL）を予測し、MLPのベースラインより高い精度を示している。

ABSTRACT

This study uses a Long Short-Term Memory (LSTM) network to predict the remaining useful life (RUL) of jet engines from time-series data, crucial for aircraft maintenance and safety. The LSTM model's performance is compared with a Multilayer Perceptron (MLP) on the C-MAPSS dataset from NASA, which contains jet engine run-to-failure events. The LSTM learns from temporal sequences of sensor data, while the MLP learns from static data snapshots. The LSTM model consistently outperforms the MLP in prediction accuracy, demonstrating its superior ability to capture temporal dependencies in jet engine degradation patterns. The software for this project is in https://github.com/AneesPeringal/rul-prediction.git.

研究の動機と目的

• 保守計画と安全性を向上させるために、ジェットエンジンの正確なRUL予測を動機づける。
• 静的スナップショットではなくセンサの時系列データを用いたデータ駆動の予知保全を示す。
• RUL推定における時系列モデル（LSTM）の利点を、従来のフィードフォワードネットワーク（MLP）と比較して示す。

提案手法

• ノイズ低減とミンマックススケーリングでデータを前処理し、LSTM入力のために20タイムステップのシーケンスを生成する。
• 指定されたエポック数と学習率でAdam最適化子を用いてLSTMネットワークを定義・訓練する。
• 静的データスナップショットで訓練されたMLPベースラインとLSTMを比較する。
• NASA C-MAPSSデータセットでMSEを指標として性能を評価する。
• LSTMがMLPより低いMSEとより良い時系列パターンの捉えを達成したと報告する。

実験結果

リサーチクエスチョン

• RQ1 時系列センサシーケンスを活用するLSTMモデルは、ジェットエンジンのRUL予測においてMLPを上回ることができるか。
• RQ2 C-MAPSSデータセット上で、時系列コンテキストがRUL予測精度にどのように影響するか。
• RQ3 このタスクにおけるLSTMとMLPの訓練ダイナミクスと汎化特性は何か。

主な発見

• LSTMはテストMSEを796.42とより低く収束し、MLPよりも予測精度が高いことを示す。
• MLPはテストMSE1745に達し、時系列的な劣化のモデリングが不十分であることを示唆する。
• LSTMの予測はエンジン全体で真のRULの傾向に密着しているのに対し、MLPは分散が大きく劣化パターンの精度が低い。
• 訓練曲線は、MLPと比較して過剰適合が少なく急激な損失低下を示すLSTMを示す。
• 本研究は、ジェットエンジン劣化における時系列依存性を捉えるLSTMの卓越した能力を確認する。