Dette projekt handlede om at bruge deep learning til skadeprognose på flymotorer. Projektet var en del af et datalogisk kursus kaldet kunstig intelligens og deep learning, som jeg tog i forbindelse min master i datalogi og informatik på Roskilde Universitet.
Målet med projektet var at finde ud af, hvornår flymotorer er ved at gå i stykker, så de kan blive repareret i tide før yderligere nedbrud for at reducere omkostningerne.
Jeg brugte deep learning til at give indsigt i fremtidsforudsigelser ved at analysere data fra fortiden. Datasættet brugt i dette projekt bestod af Turbofan Engine Degradation Simulation Data Set fra Nasa, der inkluderede tidsserie-data fra simulerede flymotorer. Billederne nedenfor viser nogle af sensor aflæsningerne fra datasættet.
Jeg udforskede forskellige deep learning-arkitekturer til dette projekt. Jeg arbejdede på en simpel lineær regressionsmodel og udforskede derefter multilayer perceptrons og recurrent neural networks (RNN) og long short term memory (LSTM).
Projektet blev kodet i Python med TensorFlow og Keras high level API.
