DGLR-Publikationsdatenbank - Detailansicht
Autor(en):
H. Simon, U. Klingauf
Zusammenfassung:
Im vorliegenden Vorgehen wird ein datenbasierter Analyseansatz zur Diagnose des Gesundheitszustands eines Triebwerks und im Weiteren zur Prognose der Restlebensdauer vorgestellt. Die Datenanalyse basiert auf einer Reihe von run-to-failure Triebwerkssimulationsdaten, die vom NASA Prognostics Center of Excellence zu Forschungszwecken zur Verfügung gestellt werden. Der Datensatz wird speziell zu Forschungszwecken erstellt und ermöglicht den Vergleich von verschiedenen Modellansätzen. Auf den Datensatz werden unterschiedliche Algorithmen aus dem Bereich des Maschinellen Lernens, wie Klassifikations- sowie Regressions- und Clusteranalysen, angewendet. Als Zielgröße dient zum einen die Klassifikation von verschiedenen Gesundheitszuständen wie auch die Prognose der Restlebensdauer des Triebwerks.
Veranstaltung:
Deutscher Luft- und Raumfahrtkongress 2018, Friedrichshafen
Verlag, Ort:
Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V., Bonn, 2018
Medientyp:
Conference Paper
Sprache:
deutsch
Format:
21,0 x 29,7 cm, 8 Seiten
URN:
urn:nbn:de:101:1-2018121412025853723532
DOI:
10.25967/480096
Stichworte zum Inhalt:
Prädiktive Instandhaltung, Künstliche Intelligenz
Verfügbarkeit:
Download
- Bitte beachten Sie die Nutzungsbedingungen dieses Dokuments: Copyright protected
Kommentar:
Zitierform:
Simon, H.; Klingauf, U. (2018): Prognose der Restlebensdauer eines Triebwerks mit Hilfe von Maschinellen Lernalgorithmen. Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.. (Text). https://doi.org/10.25967/480096. urn:nbn:de:101:1-2018121412025853723532.
Veröffentlicht am:
14.12.2018