AdaBoost-alapú megközelítés motorhibák előrejelzésére = An AdaBoost Approach to Predict Engine Failures

Hornyák, Olivér (2025) AdaBoost-alapú megközelítés motorhibák előrejelzésére = An AdaBoost Approach to Predict Engine Failures. MULTIDISZCIPLINÁRIS TUDOMÁNYOK: A MISKOLCI EGYETEM KÖZLEMÉNYE, 15 (1). pp. 54-63. ISSN 2062-9737

Preview

Text 3679_publish.pdf - Published Version Download (988kB) | Preview

Abstract

A motorok meghibásodásának pontos előrejelzése különösen kritikus olyan iparágakban, ahol az eszközök kiesése jelentős költségeket és biztonsági kockázatokat eredményezhet. Ez a tanulmány az adaptív boosting (AdaBoost) algoritmus alkalmazását vizsgálja a motorok meghibásodásának előrejelzésére. Az AdaBoost választását az is indokolta, hogy könnyen értelmezhető és kis számítási erőforrásigényű, így jól alkalmazható valós idejű vagy beágyazott rendszerekben történő implementációra. A cikkben vizsgát adathalmaz 100 motor működési adatait tartalmazza. Az előfeldolgozás során a motorok meghibásodási idejének (Time to Failure, TTF) mediánja alapján bináris címkéket hoz létre, amely jelzi a karbantartási igény sürgősségét. Az implementált modell 80%-os pontosságot ért el. Az eredmények alapján a modell előrejelzési képessége ígéretes, de a hamis negatív osztályzások száma még további optimalizálást igényel. A kutatás eredményei új lehetőségeket nyitnak a megelőző karbantartási rendszerek fejlesztésére. | This study investigates the application of the adaptive boosting (AdaBoost) algorithm for predicting engine failures, a critical task in industries where equipment downtime incurs significant costs and safety risks. The choice of AdaBoost was motivated by its interpretability and low computational requirements, making it well-suited for real-time or embedded system implementations. The analysis utilized a dataset comprising operational data from 100 engines. During preprocessing, binary labels were created based on the median of the engines’ Time to Failure (TTF) to indicate the urgency of maintenance needs. The implemented model achieved an overall accuracy of 80%. The results demonstrate the model’s promising predictive capabilities, though the number of false negatives suggests the need for further optimization. The findings of this research open new avenues for enhancing predictive maintenance systems.

Actions (login required)

Edit Item