AI時代的工業管理趨勢和挑戰

字型大小: 

航空引擎作為飛機的主要動力來源，其運作狀態直接影響飛行安全，因此準確預測引擎的剩餘使用壽命(Remaining Useful Life, RUL)，進行預測性維護至關重要。然而航空引擎的退化過程可能長達數年，導致數據蒐集困難且耗時，加上標記成本高昂，使得高品質的訓練數據取得不易。為了應對上述挑戰，本研究提出一種基於Informer模型的對抗性領域適應模型，藉由縮小不同操作條件下航空引擎數據的分佈差距，以提升在標記數據有限的情形下，模型跨領域的預測性能。本研究以NASA提供的C-MAPSS資料集進行實驗，該資料集包含四個子資料集，各個子資料集有不同的操作條件與故障模式。研究結果顯示，透過所提出的方法，在預測誤差方面，均方根誤差(root-mean-square error, RMSE)相較過往文獻具有顯著的改善。