Thanh bên bài viết
TĂNG CƯỜNG DỮ LIỆU DỰA TRÊN AI TẠO SINH TRONG DỰ BÁO TUỔI THỌ HỮU ÍCH CÒN LẠI CỦA THIẾT BỊ HÀNG HẢI
Nội dung chính của bài viết
Tóm tắt
Bài báo này đề xuất một phương pháp nâng cao độ chính xác dự đoán tuổi thọ còn lại (Remaining Useful Life – RUL) của thiết bị hàng hải thông qua việc ứng dụng trí tuệ nhân tạo tạo sinh (Generative AI) để tăng cường dữ liệu. Trong thực tế, các hệ thống máy tàu như động cơ diesel, máy bơm và máy nén thường thiếu dữ liệu hỏng hóc do tần suất sự cố thấp, dẫn đến hạn chế hiệu quả của các mô hình học sâu. Để giải quyết vấn đề này, nghiên cứu sử dụng mô hình Variational Autoencoder (VAE) nhằm sinh dữ liệu cảm biến tổng hợp có đặc tính tương tự dữ liệu thực. Dữ liệu được tăng cường sau đó được sử dụng để huấn luyện mô hình mạng nơ-ron hồi tiếp dài ngắn hạn (LSTM- Long Short-Term Memory) cho bài toán dự đoán RUL. Bộ dữ liệu NASA CMAPSS được sử dụng để kiểm chứng phương pháp đề xuất. Kết quả thực nghiệm cho thấy việc tích hợp dữ liệu sinh giúp cải thiện đáng kể độ chính xác dự báo so với mô hình cơ sở, thể hiện qua các chỉ số RMSE (Root Mean Squared Error) và MAE (Mean Absolute Error). Nghiên cứu này chứng minh tiềm năng của Generative AI trong việc nâng cao hiệu quả bảo trì dự đoán cho thiết bị hàng hải, góp phần giảm chi phí vận hành và tăng độ tin cậy hệ thống.
Abstract
This paper proposes an enhanced approach for predicting the Remaining Useful Life (RUL) of marine equipment by leveraging Generative Artificial Intelligence (Generative AI) for data augmentation. In real-world marine systems such as diesel engines, pumps, and compressors, failure data are often scarce due to low failure frequency, which limits the performance of deep learning models. To address this issue, a Variational Autoencoder (VAE) is employed to generate synthetic sensor data that preserve the statistical characteristics of real measurements. The augmented dataset is then used to train a Long Short-Term Memory (LSTM) network for RUL prediction. The proposed method is validated using the NASA CMAPSS dataset. Experimental results demonstrate that incorporating generated data significantly improves prediction accuracy compared to baseline models, as evidenced by reductions in RMSE and MAE. The findings highlight the potential of Generative AI in enhancing predictive maintenance strategies for marine equipment, contributing to reduced operational costs and improved system reliability..
Keywords: Predictive maintenance, Remaining useful life, Generative artificial intelligence, Data augmentation, Marine equipment.
Từ khóa
Bảo trì dự đoán, Tuổi thọ còn lại, Trí tuệ nhân tạo tạo sinh, Tăng cường dữ liệu, Thiết bị hàng hải
Chi tiết bài viết
Tài liệu tham khảo
[2] Maher Kouraichi et al., “Deep Learning for Fault Diagnosis in Power Transmission Lines: Current Trends, Limitations, and Future Directions”, IEEE Access, Vol 13, 2025.
[3] R. Keith Mobley, An Introduction to Predictive Maintenance, Elsevier, 2002.
[4] M. Pecht, Prognostics and Health Management of Electronics, Wiley, 2008.
[5] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, 2015.
[6] A. Krizhevsky et al., “ImageNet classification with deep deep convolutional neural networks”, Communications of the ACM, Vol. 60(6), 2017.
[7] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Computation, 1997.
[8] S. Saxena et al., “Damage propagation modeling for aircraft engine run-to-failure simulation,” NASA CMAPSS Dataset, 2008.
[9] H. He and E. Garcia, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” IEEE Xplore, 2008.
[10] I. Goodfellow et al., “Generative adversarial nets,” NIPS'14: Proceedings of the 28th International Conference on Neural Information Processing Systems – Vol. 2, 2014.
[11] D. P. Kingma and M. Welling, “Auto-encoding variational Bayes”, 2nd International Conference on Learning Representations (ICLR2014), 2014.
[12] T. Esteban et al., “Real-valued time series generation with Recurrent Conditional GANs,” NeurIPS Workshop, 2017.
[13] C. Wen et al., “A New Convolutional Neural Network Based Data-Driven Fault Diagnosis Method”, IEEE Transactions, 2017.
[14] Hye Seon Jo et al., “Deep learning-based RUL prediction with uncertainty quantification for photocouplers in reactor protection systems”, Nuclear Engineering and Technology, Vol. 58(4), 2026.
[15] NASA, “C-MAPSS Dataset,” Prognostics Data Repository, 2008.