故障预测的飞机设备使用机器学习和混合数据制备方法

文摘

有大量的信息和维护航空工业中的数据,可以用来获得有意义的结果预测未来的行为。本研究旨在介绍机器学习模型基于特征选择和数据消除预测飞机系统的失败。飞机维护和故障数据收集设备在两年的时间,和9是精心确定输入和一个输出变量。混合数据准备模型提出了改进的成功失败数预测两个阶段。ReliefF在第一阶段,一个属性的特征选择方法评估,用于查找最有效和无效的参数。在第二阶段,K——修改算法消除噪声或不一致的数据。混合数据准备的性能模型评估设备的维护数据集的多层感知器(MLP)人工神经网络(ANN),支持向量回归(SVR)和线性回归(LR)作为机器学习算法。此外,相关系数等性能标准(CC),平均绝对误差(MAE)、均方根误差(RMSE)用于评估模型。结果表明,混合数据准备模型成功预测设备的故障数。

1。介绍

飞机部件的可靠性和可用性一直是一个重要的考虑在航空。准确的预测可能的失败会增加飞机部件和系统的可靠性。维护操作的调度帮助确定飞机的整体维护和检修成本组件。维护成本占总数的很大一部分飞机系统的营运开支。

有三个主要类型的维护设备:维修保养,预防性维护和预测性维护1]。维修保养有助于管理修复操作和计划外故障事件,比如设备和机器故障。当飞机设备在使用时出现故障,维修或更换。预防性维修可以减少计划外的维修操作。它由定期维修实现避免设备故障和机械故障。任务为这种类型的维护计划,以防止意外停机和故障事件,会导致修复操作。预见性维护,顾名思义,使用一些参数的测量设备在操作时想失败会发生。它打算干扰系统在故障发生之前(1,2),有助于减少意外的失败为维护人员提供更可靠的预防性维修调度选项。评估系统的可靠性是非常重要的选择正确的维护策略。

机器学习是一个新兴的技术,在未来应该发展。机器学习方法应用于预测/预防性系统、通信、安全、能源管理等(3]。数据准备水平是机器学习的核心模块和决策系统。它管理的数据使其有用的决定。决策取决于未来的预测,失败事件,和可用性的设备(4]。数据挖掘是一种分类方式和夹紧数据转换成易于理解的信息。它理解适用的模型从大量信息,采用不同的方法来揭示的秘密数据。数据挖掘可以被定义为知识推导从原始数据5]。

特征选择是数据挖掘和机器学习算法的一个基本问题,关注最相关的特征目标预测(6]。收集的特性的观察情况并非都是同样重要的。通常,操作数据往往是不完整的,不够,或部分有意义或没有意义。其中一些可能是嘈杂的、冗余的或无关紧要的。特征选择的目的是选择一个特定的功能集相关的责任。这个问题是一个复杂和多维问题[7]。徐(8)提出了一种新颖的基于相关系数的特征选择算法聚类方法。它专注于减少噪声、重复或冗余功能。的性能可以提高计算速度和分类精度通过切除irrevelant特性。数据处理方法有助于提高数据的质量和提高数据挖掘的准确性,从而使它更有效率8]。数据质量是很重要的信息发现的过程中,检查数据异常,预测和分析决策(9]。预测设备故障是必不可少的,以减少维修和设备成本和评估设备可用性(1]。

质量数据可以用于企业和可引导系统遵循正确的路径。提高机器学习算法的性能,关键是有意义的信息被收集的数据集。消除噪声和irrevelant数据在数据准备,我们使用K——聚类算法,这是一个流行的无监督的机器学习算法。它定义了k重心和分配任何情况下最近的集群,同时保持重心小(10]。“手段”K则指的是数据集的平均找到重心。这个算法分配每种情况下只有一个集。其目的是实现集群内的高水平的相似性和低同样在他们(11]。用于更有效和更好的聚类与降低复杂性。

有许多研究维护数据和预测失败率。数据准备是特征选择过程中一个关键的步骤,它有一个主要影响成功的机器学习算法。Gurbuz et al。9)应用各种技术的预处理和特征选择数据集15日土耳其航空公司的理解和干净的数据集,发现输入和输出特性之间的关系。他们想出了15规则创建故障警报,这些专家发现有用的航空公司。分类算法用于提取模式在设备数据。Kutlylowska [12)提出了应用人工神经网络故障率造型。数据从一个自来水在波兰被用来估计故障频率的输出值。结果表明,人工网络的频率可能是一个选项来评估系统的供水问题。拉莫斯et al。13)进行的一项研究预测故障和预见性维护实践在制造设备。在这项研究中,ARIMA预测方法被成功相比,神经网络模型。结果表明,两种模型都擅长预测热磨机盘更换,但是ARIMA更好的预测盘之间的距离。Trani et al。14]介绍了一个基本的方法来估计飞机燃料消耗通过使用人工神经网络。燃油消耗模型由一个神经网络是由使用飞机的性能手册中给出的数据。神经网络模型的结果进行了比较与分析模型。结果显示,该三层安与非线性传输函数可以正确地估计燃料消耗在不同的飞行阶段。明等。15]调查使用ANN方法在振动分析通过使用集成数据的设备振动预测设备故障。ANN模型应用于诊断故障机。结果支持这种方法的效率。Kozik和9月16)应用ANN预测确定的需求在航空发动机大修备件更换。结果表明,预测方法,是由引擎的开始计算应该是一个权力的实现精益生产在MRO(维护、修理和大修)设施。阿尔泰et al。17)使用532失败的60架飞机模型的人工神经网络预测失败。该模型产生的高相关性率实际和目标之间的预测失败的时候飞机。Benkedjouh et al。18)提出了一个方法来猜使用寿命(原则)在机械轴承。为此,研究人员利用等距特性减少映射技术(ISOMAP)和支持向量回归(SVR)。莫拉et al。19)提出了一个分析比较评估SVM预测失败时间有效性。支持向量机回归的性能比较与其他学习方法。

论述了特征选择的变量在维护数据从一个航空公司在土耳其。该系统将帮助公司收集、提取,并创建数据改善维护操作通过更准确的预测。本研究提出了一种混合数据制备方法维护数据和预测失败项设备通过比较三种不同算法的结果。特征选择方法(ReliefF algorihm本研究)用于选择属性,和修改K则算法消除冗余数据。介绍了三种方法预测设备故障统计和使用延时作为ANN算法相比,SVR算法和LR。在下一节中概述了材料和方法,其次是实验结果和结论。

2。材料和方法

本案例研究的背景进行了avitation公司在安卡拉,土耳其。维护数据收集记录的维护部门。他们包括移除设备,维修活动,运营商的经验,飞行小时的设备和其他信息相关的案例研究。

2.1。数据采集

ERP平台,开发一个程序来收集数据,并通过机器算法格式的数据集进行分析。是分组的变量作为输入变量,而失败的数量被认为是输出变量。选择参数评估的特征选择ReliefF方法找到最具影响力的参数有一个分享失败。

开发项目的流逻辑呈现在图1。首先,所选材料的serial-numbered设备用于起落架系统被选中。他们的维护和操作数据。维护和故障的属性数据中确定与维修人员和技术人员的合作。无故障的每个实例(NFF)状态检查确认故障数据。总飞行时间为每个块设备在不同的飞机计算对于一个给定的时期。9个输入变量,影响设备确定的失败。失败数计算作为输出变量。这九个输入变量和一个输出变量用于建模中使用的机器学习算法研究(延时、SVR和LR)。

2.2。特征选择和ReliefF算法

特征选择技术获取相关特性通过移除不相关和嘈杂的数据从原始数据集。这是选择的过程特性的一个子集,可以充分描述所有的数据集。特征选择的主要目的是挖掘数据获取最小数量的特性来达到最大精度。特征选择方法应用于数据挖掘和机器学习、以及人工智能。他们降低模型复杂度和算法运行得更快。救济是一种特征选择算法用于随机选择特征权重计算的实例。救援算法由基拉和伦德尔在1992年(20.,21]。迭代估计特征权重,根据他们的能力区分相邻模型。救济是扩展到处理噪声,irrevelant,缺失数据处理多类问题。Kononenko [22)提出了一个扩展救援称为ReliefF解决多类问题。ReliefF是救灾的扩展算法,无法删除无关的或不完整的特征在两种分类问题。ReliefF算法找到一个靠近小姐平均为每个不同的类和它们的价值权重修改功能。

2.3。取消和修改数据K则算法

K则,一种广泛使用的算法在各种应用程序中,最早于1967年研制成功由MacQueen [23]。它允许每个数据点是一组的一个成员。它有限制字段:固定K值和初始质心。它使用标准的欧几里得距离测量的距离。法赫德和阿拉姆10)提出了一种利用修改的方法K则算法,证明了更少的时间消耗更多的有效的聚类。产生集群的质量取决于初始质心的选择。K算法则可以创建一个新的数据集群通过消除最小的类值代表集群。Yilmaz et al。11使用修改)提出了一个系统K则算法消除噪声和irrevelant数据。在这项研究中,我们使用了修改K算法则是在11)和开发算法的伪代码1。

2.4。预测方法

近年来,研究机器学习算法和数据挖掘进行了研究故障预测的应用。在这项研究中,向MLP、SVR和LR算法进行模型维护数据和预测失败数。

2.4.1。多层感知器作为人工神经网络

一个人工神经网络(ANN)是一种数学模型,基于生物人工神经元的相互关联的集团。安模仿大脑处理信息的能力计算方法(24,25]。神经网络是一种非线性统计数据建模和机器学习方法。它们可用于模型的数据输入和输出之间的复杂的非线性关系。他们还描述模式或数据间的关系,和他们帮助预测输出值的帮助下训练,学习和测试流程。细胞神经网络被称为神经元,和一个固定数量的神经元建立一个层。在其他层神经元连接到其他神经元权重因子。安为输入值算法计算权重,隐藏层和输出层神经元通过前馈的方法(26,27]。安权重的计算通过使用一个训练算法是最受欢迎的反向传播算法。反向传播学习算法,旨在最小化之间的区别现实和目标输出。更新权重,所以总误差是分发给各个神经元的神经网络。误差保持在低水平通过喂养向前和backpropagating [17]。神经网络的预测能力来自于其多层结构。神经网络有一个输入层、一个或多个隐藏层和输出层。延时算法是由神经元的激活函数(28]。在这项研究中,多层感知器(MLP)使用前馈神经网络反向传播学习算法。

2.4.2。支持向量回归

介绍了支持向量机(SVM)算法通过议会和Vapnik 1995年(29日]。它是一个线性模型用于解决分类和回归问题。支持向量机算法产生一个超平面分类数据。有两种截然不同的类由一个线性平面。训练算法涉及识别的过程参数(11]。支持向量回归(SVR)是一种回归算法,利用类似的方法支持向量机进行回归分析。SVR是一个监督机器学习算法和一种有效的方法可用于预测和数据挖掘和成功采用回归问题。

2.4.3。线性回归

线性回归是定义为一个基于监督学习机器学习算法,涉及一个回归的任务。它用于模型因变量或独立变量之间的线性关系。它有助于确定变量和预测之间的关系。Schuld et al。30.)提出了一个量子计算机预测算法,基于线性回归模型的最小二乘优化。假设的计划聚焦于机器学习任务输出对应于一个新的输入。预测结果可以用于进一步的量子信息处理例程。

2.5。评估性能的措施

在这项研究中,平均绝对误差(MAE)、均方根误差(RMSE)和相关系数(CC)标准被用来评估所有模型的成功。误差测量技术有很多,最常用的量化误差的措施。错误的参数,采用从[31日),分别在以下方程。 在哪里N是数据的数量;X_我是观测值;Y_我是预测价值;观测数据的均值,是观测数据的均值,并预测数据值。CC措施定义的观测数据的可变性模型相关系数。

3所示。提出的方法

在这项研究中,如上所述2.1两年来,585行维护数据从土耳其航空公司使用。数据集由9个输入变量和一个输出变量(失败数)。输入变量/因素是操作和环境参数可以影响故障发生和出现故障之前操作的长度。输入变量包括飞行时间等参数、删除设备的数量,和错误的数量与计划/意外删除。这些数据进行分析和格式适合造型,和变量的特征是与相应的域分类,见表1。输出变量是设备故障的数量。表中提供的数据集的样本2。

特征选择是使用这些十属性。设备故障的数量分析的目标。为此,特征选择ReliefF算法用于寻找关系和加权系数依赖关系。根据排名值,四个最有效的属性选择(表3)。

嘈杂的和不一致的数据准备数据集常常影响预测消极和降低系统的性能。因此,修改后的K则算法被用来消除噪声和不一致的数据来提高预测的性能。这是使用伪代码在开发的算法1。在这个模型中,设置中心最初分配,实例被正确分发给集。预定的号码(N= 5)中心最远的记录每组被淘汰。标准是欧几里得距离测量的距离。消除实例图所示2。

七十五条记录(大约13%)数据集被淘汰的伪代码的数据准备模型。五百一十条记录了从585年记录的数据集。我们建议的混合数据准备模型是由两个阶段组成,如图3。在第一阶段,9个输入被减少到四属性特征选择ReliefF算法。在第二阶段,数据集被减少到510条记录的修改K则算法。获得的数据集包含510条记录作为输入提供中长期规划,支持向量机,LR预测算法。

4所示。实验结果

开发一个程序通过计算机算法来收集数据进行分析。所选设备的维护和操作数据。测定9个输入变量和一个输出变量。根据使用纯585行,九输入和一个输出(585×10)数据,延时,LR, SVR模型训练和测试。中使用的参数预测研究提供了表4- - - - - -6,分别。

说明建议的两阶段混合动力系统的性能,预测结果对原始数据集,由585条记录和展示在表9属性7。表7表明基于CC性能标准,最好的结果是提供的SVR算法,而LR算法提供了最好的结果基于MAE和RMSE性能标准。

然后,ReliefF算法应用到原始数据来识别特性,证明最有效的预测。特征选择ReliefF算法应用于九输入参数,根据排名值,最后其中有五个是消除。延时、LR、SVR模型构建与选择585行,四个输入,一个输出。数据集(585×5)训练和测试。见表8,所有的结果都优于没有特征选择。中长期规划提供的结果(CC = 0.9127,美= 0.7301,RMSE = 0.9853)优于其他算法。错误的性能结果参数表提供了在每个预测算法8。

在最后阶段,修改K则算法应用于数据集来消除噪声和不一致的数据(585×5)。最好的k值被发现(k= 15)。五个参数,最远的从每个集群被淘汰的中心。因此,75行被消除。所以,混合模型方法应用于维护数据,和数据的质量得到了改进。LR、延时和SVR模型构建与选择510行,四个输入,一个输出。选中的数据(510×5)被训练和测试。结果表明,模型的性能是非常成功的,相比其他结果没有特征选择和数据减少。LR的性能、延时和SVR算法展示在表9。

如表所示9基于CC、美和RMSE性能标准,最好的结果是提供的LR算法的提出两阶段混合系统。对于测试数据,CC = 0.9316,美= 7108,和RMSE = 0.835。

数据4- - - - - -6提供预测和目标之间的线性相关的测试数据结果LR, SVR,和延时。结果表明,回归直线的测试和LR提供的预测数据y₁= 0.9976x+ 0.0155;SVR的提供y₂= 0.9184x+ 0.48,中长期规划和提供y₃= 0.9999x−0.0744。

目标和预期值的测试数据集提出两阶段混合动力系统提供了LR, SVR,延时数据7- - - - - -9,分别。中提供的测试结果数据7- - - - - -9的测试结果的图形化表示1-fold交叉验证。

表9介绍了预测和目标价值观通过数据的两阶段混合动力系统7- - - - - -9。见数据7- - - - - -9,提出了混合数据准备模型提高预测模型的性能LR, SVR和延时。建议混合系统帮助达到更高的精度预测,因为它使我们能够选择最有效的特性和消除噪声或冗余的数据,可以降低预测的准确性。

5。结论

在航空领域,使用维护批判分析的可靠性和数据维护成本。这是因为预见性维护调度可以计划符合预期。预见性维护的主要目标是预测设备故障和规划战略备件系统组件的分析复杂可修系统的可靠性和可维护性。在这项研究中,一种混合数据准备模型应用于起落架系统维护数据集使用特征选择ReliefF算法选择属性和修改K则算法消除噪声和不一致的数据。提出的混合数据制备方法付诸实践通过LR, SVR和中长期规划模型。结果表明,LR模型有更好的性能比延时和SVR模型在预测失败。结果表明,提出的混合数据准备模型显著提高了准确预测失败的数量。本研究可以作为指南使用混合数据制备方法在机器学习和数据挖掘的算法。

数据可用性

维护数据用于支持本研究的发现没有可用,共享数据可能破坏数据的隐私。此外,作者不允许共享这些数据由于安全问题。

的利益冲突

作者宣称没有利益冲突。

确认

本研究支持的科研项目Havelsan和总统的国防工业项目批准号HVL-SOZ-18/033。

引用

1. 问:风扇和h风扇”,建筑设备的可靠性分析和故障预测与时间序列模型,”先进的管理科学杂志》上,3卷,不。3、203 - 210年,2015页。视图:出版商的网站|谷歌学术搜索
2. p·巴斯托斯,洛佩斯,l·皮雷,“维护使用数据挖掘、预测系统”诉讼程序的世界大会在工程,3卷,页2 - 7日,伦敦,英国,2012年7月。视图:谷歌学术搜索
3. 即美国喧嚣,m . Guizani j·j·p·c·罗德里格斯,哈桑,诉诉Korotaev,“物联网机器学习:智能城市的技术设计,“未来一代计算机系统卷,100年,第843 - 826页,2019年。视图:出版商的网站|谷歌学术搜索
4. b·简·h·法曼·m·汗,m .现场和i喧嚣,“设计一个智能交通系统:物联网、大数据的方法,”IEEE无线通信,26卷,不。4、73 - 79年,2019页。视图:出版商的网站|谷歌学术搜索
5. 即美国喧嚣,m . Guizani s哈桑et al .,“物联网:回顾了技术和未来的挑战,”IEEE访问7卷,第7640 - 7606页,2019年。视图:出版商的网站|谷歌学术搜索
6. 美国讲师和a·邦”使用ReliefF特征选择算法,国际先进的计算机和通信工程的研究》杂志上,3卷,不。10日,8215 - 8218年,2014页。视图:谷歌学术搜索
7. s·f·罗萨里奥,“救援:特征选择方法,”国际期刊的创新研究和开发,4卷,不。11日,第224 - 218页,2015年。视图:谷歌学术搜索
8. h .许”,通过相关系数聚类特征选择,”软件学报,5卷,不。12日,第1377 - 1371页,2010年。视图:出版商的网站|谷歌学术搜索
9. f . Gurbuz、l . Ozbakir和h . Yapici“数据挖掘和预处理的应用程序组件的报道一个航空公司在土耳其,”专家系统与应用程序,38卷,不。6,6618 - 6626年,2011页。视图:出版商的网站|谷歌学术搜索
10. 美国k·A·法赫德和m·阿拉姆”,修改K大数据聚类的算法,则“国际计算机科学工程和技术杂志》上》第六卷,没有。4、129 - 132年,2016页。视图:谷歌学术搜索
11. n . Yilmaz o·阿齐兹·伊南,m . s .是乌斯”的新数据制备方法基于聚类算法的诊断系统心脏和糖尿病的疾病,”医疗系统杂志,38卷,不。5,2014。视图:出版商的网站|谷歌学术搜索
12. m . Kutyłowska“故障率预测的神经网络方法,”工程失效分析卷,47 41-48,2015页。视图:出版商的网站|谷歌学术搜索
13. p·拉莫斯,j·m·奥利维拉和p·席尔瓦,“预见性维护生产设备的基于神经网络的自回归和ARIMA”21国际诉讼EurOMA Conference-Operations管理创新经济,页1 - 10,芬兰的赫尔辛基,2014年6月。视图:谷歌学术搜索
14. 答:A . Trani f . c . Wing-Ho g .先令h . Baik和A·瑟哈德里”一个神经网络模型来估计飞机燃料消耗,”张仁学报4日航空技术、集成和运营论坛,性别比例,卷2,页669 - 692,芝加哥,2004年9月,美国。视图:出版商的网站|谷歌学术搜索
15. m . Chen周r, r·张x朱,“应用人工神经网络对过程工业故障诊断设备,”自然计算,2010年第六届国际会议ICNC 2010,3卷,第1193 - 1190页,烟台,中国,2010年8月。视图:出版商的网站|谷歌学术搜索
16. p . Kozik“航空发动机检修需求预测使用安,”管理和生产工程审查,3卷,不。2,第21到26 2012页。视图:谷歌学术搜索
17. 答:阿尔泰、o . Ozkan和g . Kayakutlu”预测飞机故障时间使用人工神经网络和遗传算法,”杂志上的飞机,51卷,不。1,47-53,2014页。视图:出版商的网站|谷歌学术搜索
18. t . Benkedjouh k Medjaher:塞,s . Rechak“剩余使用寿命估计减少基于非线性特征和支持向量回归,”人工智能技术的工程应用,26卷,不。7,1751 - 1760年,2013页。视图:出版商的网站|谷歌学术搜索
19. m·d·c·莫拉e . f.t. i d·林斯和e . Droguett“失败和可靠性预测的支持向量机回归时间序列数据,”可靠性工程和系统安全,卷96,不。11日,第1534 - 1527页,2011年。视图:出版商的网站|谷歌学术搜索
20. k·基拉和l·a·伦德尔,”特征选择问题:传统的方法和一种新的算法,”在人工智能程序第十届全国会议,1992年。视图:谷歌学术搜索
21. k·基拉和l·A·伦德尔,“一种实用的特征选择方法,”1992年机器学习程序卷,1992年,第256 - 249页,1992年。视图:出版商的网站|谷歌学术搜索
22. Kononenko,“估计属性:分析和扩展,”课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学)卷,784年,页171 - 182,施普林格,柏林,德国,1994年。视图:出版商的网站|谷歌学术搜索
23. j . MacQueen“一些分类方法和多变量分析观察,”《第五伯克利研讨会上数理统计和概率1967年美国伯克利分校CA。视图:谷歌学术搜索
24. n . Nadai a·h·a . Melani g·f·m·苏萨和s . i Nabeta“设备故障预测基于神经网络分析将维护人员检查发现,”《年度研讨会可靠性和可维护性美国佛罗里达州奥兰多,2017年1月。视图:出版商的网站|谷歌学术搜索
25. t . s .局域网,p . c . Chen m . y . Wang k . s . Hsu)和t . y .陈”的研究使用bp网络预测飞机部件寿命,“2016年国际会议上应用制度创新”IEEE ICASI学报》2016冲绳,日本,2016年5月。视图:出版商的网站|谷歌学术搜索
26. 美国Oladokun”,预测平均故障间隔时间的维护设备使用人工神经网络,”美国科学与工业研究》杂志上,1卷,不。3、500 - 503年,2010页。视图:出版商的网站|谷歌学术搜索
27. 拉西普p s、k . s . Shishodia和g . s . Sekhon”的人工神经网络建模的可靠性、可用性和可维护性的可修系统,”可靠性工程和系统安全,卷91,不。7,809 - 819年,2006页。视图:出版商的网站|谷歌学术搜索
28. m . Mahmudul Mia, s . k . Biswas m . c . Urmi Siddique a,”一个算法训练多层感知器MLP使用神经网络的图像重建,没有过度拟合。”国际科学与技术研究杂志》上,4卷,不。2、271 - 275年,2015页。视图:谷歌学术搜索
29. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
30. m个i Sinayskiy, f . Petruccione“线性回归预测的量子计算机,”物理评论一个,卷94,不。2、2016。视图:出版商的网站|谷歌学术搜索
31. m . Buyukyildiz和郑胜耀Kumcu悬浮泥沙负荷的估算使用基于自适应网络模糊推理系统,支持向量机和人工神经网络模型,”水资源管理没有,卷。31日。4、1343 - 1359年,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Kadir也Celikmih等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。