تعمیر و نگهداری موتور، بال و بدنه وسایط پرنده/تکنولوژی/ساخت/...
سعید رمضانی؛ حمزه سلطانعلی؛ امیر بیرامی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 مرداد 1402
چکیده
مدیریت سلامت و پیش‌بینی عیوب به عنوان یکی از گزاره‌های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه‌ای به منظور شناسایی، تشخیص و پیش‌بینی وضعیت سلامت انواع دارایی‌های فیزیکی ایفا می‌نماید. ارزیابی وضعیت سلامت انواع دارایی‌ها در صنعت هوایی، با هدف ارائه برنامه‌های نگهداشت، از طریق برآورد وضعیت زوال/تخریب یکی از راهکارهای اساسی ...
بیشتر
مدیریت سلامت و پیش‌بینی عیوب به عنوان یکی از گزاره‌های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه‌ای به منظور شناسایی، تشخیص و پیش‌بینی وضعیت سلامت انواع دارایی‌های فیزیکی ایفا می‌نماید. ارزیابی وضعیت سلامت انواع دارایی‌ها در صنعت هوایی، با هدف ارائه برنامه‌های نگهداشت، از طریق برآورد وضعیت زوال/تخریب یکی از راهکارهای اساسی است. در این مطالعه، با توجه به محدودیتها و عدم قطعیتهای موجود در روشهای مرسوم پیش‌بینی در حوزه تعیین روند زوال تجهیزات، یک مدل توسعهیافته شبکه عصبی مصنوعی با محوریت مفهوم یادگیری عمیق و مقایسه آن با سایر روشهای مرسوم ارائه شد. نتایج مقایسهای نشان داد که روش شبکه عصبی پرسپترون عمیق با دقت پیش-بینی 94 درصد دارای عملکرد بالایی در تعیین روند زوال در موتورهای توربینی هواپیما در مقایسه با سایر روشهای مرسوم داشته است. نتایج حاصل از این تحقیق میتواند در پیش‌بینی عمر مفید باقیمانده و نیز ارائه برنامه‌های مناسب نگهداشت در تجهیزات صنایع هوایی مورد استفاده باشد.
