Ecrêter la valeur cible ou filtrer les données dans la maintenance prédictive : exemple de C-MAPSS

L'article explore les méthodes permettant d'améliorer la maintenance prédictive en améliorant la préparation des données pour les prédictions de durée de vie utile restante (RUL). L'étude compare l'approche traditionnelle du "plafonnement", qui limite les valeurs RUL, avec une nouvelle méthode de "filtrage" qui se concentre exclusivement sur les données de la phase de dégradation, à l'exclusion des données de fonctionnement normal. Alors que le plafonnement réduit les erreurs dans la phase de fonctionnement normal, il fausse les prévisions pendant la phase de dégradation. En revanche, l'approche par filtrage améliore la précision en entraînant le modèle uniquement sur les données de dégradation, ce qui permet d'obtenir des estimations plus précises de la durée de vie utile. Les résultats soulignent l'importance de la sélection des données pertinentes pour améliorer les performances et la fiabilité des modèles de maintenance prédictive.

L'article explore l'influence de la préparation des données sur la performance des modèles de prédiction de la durée de vie utile restante (RUL) dans la maintenance prédictive. En utilisant l'ensemble de données C-MAPSS, qui simule la dégradation des turbomoteurs, l'étude compare différentes approches de traitement des données, notamment la troncature et le filtrage. La troncature, tout en réduisant les erreurs durant la phase normale, fausse les prédictions durant la phase de dégradation, tandis que le filtrage, qui consiste à n'utiliser que les données de dégradation, permet d'obtenir des prédictions plus précises sans perturber le modèle. L'approche de filtrage proposée améliore donc les performances du modèle en l'empêchant d'être influencé par les données de fonctionnement normal et en se concentrant uniquement sur les phases de dégradation.