A Comparative Study of CNN-Based Predictive Maintenance Techniques on C-MAPSS Dataset

Çiçek İ., Mengüç E. C., Acır N.

2025 7th IEEE Symposium on Computers & Informatics (ISCI 2025), Kuala-Lumpur, Malezya, 9 - 10 Ağustos 2025, ss.1-6, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Doi Numarası: 10.1109/isci65687.2025.11167805
  • Basıldığı Şehir: Kuala-Lumpur
  • Basıldığı Ülke: Malezya
  • Sayfa Sayıları: ss.1-6
  • Kayseri Üniversitesi Adresli: Evet

Özet

Bu çalışmada, evrişimsel sinir ağına (CNN) dayalı kestirimci bakım (PdM) teknikleri, Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) olarak bilinen jet motoru verileri üzerinde uygulanmıştır. İlk olarak, jet motorlarının kalan kullanım ömrünü (RUL) tahmin etmek için tek boyutlu evrişimsel sinir ağı (1D-CNN) kullanılmıştır. Ardından, tahmin performansını daha da artırmak amacıyla, uzun kısa vadeli bellek (LSTM), çift yönlü LSTM (BiLSTM) ve kapılı yinelemeli birim (GRU) katmanları 1D-CNN ile birleştirilmiştir. Tüm CNN mimarilerinin performansları kök ortalama kare hata (RMSE), eğitim süresi ve korelasyon katsayısı metrikleri açısından karşılaştırmalı olarak değerlendirilmiştir. Simülasyon sonuçları, LSTM, BiLSTM ve GRU katmanlarının 1D-CNN ile entegrasyonunun, klasik 1D-CNN modeline kıyasla hem korelasyon katsayısı hem de toplam RMSE açısından RUL tahmin performansını iyileştirdiğini göstermektedir.

In this study, convolutional neural network (CNNs) based predictive maintenance (PdM) techniques are performed on the well-known jet engine data called the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS).  We first employ the one-dimensional CNN (1D-CNN) for predicting the remaining useful life (RUL) of the jet engines. Then, to further improve the prediction performance, we combine the long short-term memory (LSTM), bidirectional LSTM (BiLSTM), and gated recurrent unit (GRU) layers with the 1D-CNN. The performances of all CNN architectures are comparatively evaluated in terms of root mean square error (RMSE), training time, and correlation coefficient metrics. The simulation results show that the integration of LSTM, BiLSTM, and GRU layers with 1D-CNN improves the RUL prediction performance in terms of both correlation coefficient and total RMSE, compared to the classical 1D-CNN model.