Découper la valeur cible ou filtrer les données dans le cadre de 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 prévisions de durée de vie utile restante (RUL). L'étude compare l'approche traditionnelle de « plafonnement », qui limite les valeurs RUL, à 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 pendant la phase de fonctionnement normal, il fausse les prévisions pendant la phase de dégradation. En revanche, l'approche de filtrage améliore la précision en entraînant le modèle uniquement sur les données de dégradation, ce qui permet d'obtenir des estimations RUL plus précises. Les résultats soulignent l'importance de sélectionner 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 les performances des modèles de prédiction de la durée de vie utile restante (RUL) dans le cadre de la maintenance prédictive. À l'aide de l'ensemble de données C-MAPSS, qui simule la dégradation des turboréacteurs, l'étude compare différentes approches de traitement des données, notamment la troncature et le filtrage. Tout en réduisant les erreurs pendant la phase normale, la troncature fausse les prévisions pendant la phase de dégradation, tandis que le filtrage, qui consiste à utiliser uniquement les données de dégradation, permet d'obtenir des prévisions plus précises sans perturber le modèle. L'approche de filtrage proposée améliore ainsi les performances du modèle en évitant qu'il ne soit influencé par les données de fonctionnement normales et en se concentrant uniquement sur les phases de dégradation.