Predictive Maintenance using LSTM for Turbofan Engines

قمت بتطوير مشروع للتنبؤ بالعمر المتبقي للمحركات (Remaining Useful Life – RUL) باستخدام تقنيات التعلم العميق (Deep Learning) بهدف تطبيق مفهوم الصيانة التنبؤية (Predictive Maintenance). يعتمد المشروع على بيانات NASA Turbofan Engine Dataset (FD001) والتي تحتوي على بيانات تشغيل لعدة محركات، تشمل إعدادات التشغيل وقراءات من 21 حساسًا عبر عدد من الدورات التشغيلية لكل محرك.

بدأ المشروع بمرحلة فهم البيانات ومعالجتها حيث تم تنظيف البيانات والتعامل مع القيم المفقودة وإزالة الصفوف المكررة واكتشاف القيم الشاذة باستخدام طرق مثل Z-score و IQR. بعد ذلك تم إجراء تحليل استكشافي للبيانات (EDA) باستخدام الرسوم البيانية مثل التوزيعات الإحصائية وBoxplots وCorrelation Matrix لفهم العلاقات بين الحساسات والعمر المتبقي للمحرك.

تم بعد ذلك تجهيز البيانات للنمذجة من خلال تطبيع البيانات (Scaling) باستخدام MinMaxScaler وتحويل البيانات إلى تسلسلات زمنية (Sequences) بحيث يتم استخدام مجموعة من القراءات السابقة للحساسات للتنبؤ بالعمر المتبقي في الخطوة التالية.

تم بناء نموذج LSTM (Long Short-Term Memory) لأنه مناسب لتحليل البيانات الزمنية (Time Series)، حيث يتكون النموذج من طبقتين LSTM بالإضافة إلى طبقات Dense للتنبؤ بقيمة RUL. وتم تدريب النموذج باستخدام Adam Optimizer مع دالة خسارة Mean Squared Error مع استخدام Early Stopping لتقليل مشكلة Overfitting.

تم تقييم أداء النموذج باستخدام عدة مقاييس مثل MAE وRMSE وR² Score لقياس دقة التنبؤ بالعمر المتبقي للمحركات. يساعد هذا النظام في التنبؤ بالأعطال قبل حدوثها، مما يساهم في تقليل الأعطال المفاجئة وتحسين كفاءة الصيانة واتخاذ قرارات صيانة مبنية على البيانات.