.png){kind=icon}
返回
Data-Driven Predictive Maintenance for Aircraft Components Through Sparse Event Logs
.png){kind=icon}
OA
AI
DOI：10.3390/aerospace13010110.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效的预测性维护对于确保飞机可靠性、减少运营中断以及支持航空公司运营中的备件库存管理至关重要。然而，维护数据通常较为稀疏，存在不规则观测、记录缺失和故障分布不平衡等问题，使得准确预测成为重大挑战。本研究提出了一种基于稀疏观测数据的数据驱动维护预测框架。我们实施了两种不同的方法：通过DeepHit进行生存分析以预测时间至事件，以及带有自编码器骨干的潜在空间分类器。每种方法均在历史飞机维护日志和部件安装记录上进行评估，以应对有限和不平衡数据集带来的挑战。两个模型均在一个拥有超过500架飞机机队的航空公司MRO（维护、修理和大修）公司的十年维护日志和部件安装记录上进行训练和测试，为机队范围的维护分析提供了现实且可扩展的设置。与受概率阈值敏感性限制的DeepHit相比，潜在空间分类器在各类部件和预测时间范围上表现出更优的整体性能和一致性。基于编码器的方法能够有效地将高数据部件的知识迁移至维护历史稀疏的部件，从而实现可靠的维护预测，并增强大规模航空公司运营的库存规划。
Keyword:
predictive maintenance
aircraft components
sparse event logs
autoencoder
latent space classification
survival analysis
transfer learning
期刊
IF:
2.2
论文数:
870
被引数:
7.3K
机构
引用论文
分享收藏A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications关于处理数据稀缺的深度学习工具的调查: 定义，挑战，解决方案，技巧和应用.png)
JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏Deep Learning-Based Approach for Civil Aircraft Hazard Identification and Prediction基于深度学习的民机危险源辨识与预测方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏分享收藏
查看更多内容