فهرست نشریات علمی دسترسی آزاد ایران

مدیریت سلامت و پیش­بینی عیوب به‌عنوان یکی از گزاره­های اصلی نگهداری و تعمیرات پیشگویانه، نقش ویژه­ای به‌منظور 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، باتوجه 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 پیش­بینی 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.