การเปรียบเทียบประสิทธิภาพเทคนิคการเรียนรู้ของเครื่องสำหรับการบำรุงรักษาเชิงคาดการณ์สำหรับเครื่องยนต์อากาศยาน

Abstract

งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อสร้างโมเดลการบำรุงรักษาเชิงคาดการณ์ของเครื่องยนต์อากาศยานด้วยเทคนิคการเรียนรู้ของเครื่องและเปรียบเทียบประสิทธิภาพในการคาดการณ์ความเสียหายของแต่ละเทคนิคเพื่อหาเทคนิคที่มีความเหมาะสม โดยใช้ชุดข้อมูลจากโมเดลใหม่ของ Commercial Modular Aero-Propulsion System Simulation (N-CMAPSS) ในการฝึกฝนและทดสอบโมเดลในการคาดการณ์ความเสียหาย ชุดข้อมูลดังกล่าวเป็นชุดข้อมูลเกี่ยวกับความเสียหายที่เกิดขึ้นกับเครื่องยนต์อากาศยานแบบ Turbofan จากศูนย์ความเป็นเลิศด้านการทำนาย (The Prognostics Center of Excellence) ของศูนย์วิจัยนาซาเอมส์ (NASA Ames Research Center) เทคนิคการเรียนรู้ของเครื่องทั้งหมด 5 เทคนิคได้แก่ ต้นไม้ตัดสินใจ ป่าแบบสุ่ม ขั้นตอนวิธีเพื่อนบ้านใกล้สุด โครงข่ายประสาทเทียม และ Gradient Boosting with XGBoost ถูกนำมาใช้สำหรับสร้างโมเดลเพื่อคาดการณ์ความเสียหาย ในส่วนของการประเมินโมเดลใช้ค่าสัมประสิทธิ์การกำหนด (R²) และค่ารากที่สองของความผิดพลาดกำลังสองเฉลี่ย (RMSE) จากการฝึกฝนและทดสอบโมเดลทั้งหมด 5 เทคนิคพบว่าเทคนิคโครงข่ายประสาทเทียมให้ผลลัพธ์ที่ดีที่สุดด้วยค่าสัมประสิทธิ์การกำหนดเท่ากับ 0.7578 และค่ารากที่สองของความผิดพลาดกำลังสองเฉลี่ยเท่ากับ 0.0016