Predictive maintenance of aircraft engines using Transformers and Temporal convolution network

Abstract

This thesis explores predictive maintenance within the context of Industry 4.0, focusing on aircraft engines. It highlights the inefficiencies of traditional maintenance methods and emphasizes the role of predictive maintenance, leveraging machine learning and deep learning techniques to forecast engine degradation. The research introduces two deep learning models: one using transformers and another using temporal convolutional networks (TCN). These architectures are evaluated for their effectiveness in predicting the remaining useful life (RUL) of aircraft engines, ultimately aiming to enhance engine reliability and operational safety. The study also discusses the implementation of a real-time monitoring system for engine maintenance. ***

Cette thèse explore la maintenance prédictive dans le cadre de l’industrie 4.0, en se concentrant sur les moteurs d’avion. Elle met en lumière les inefficacités des méthodes de maintenance traditionnelles et souligne le rôle de la maintenance prédictive, qui utilise des techniques d’apprentissage automatique et d’apprentissage profond pour prédire la dégradation des moteurs. La recherche propose deux modèles d’apprentissage profond : l’un basé sur les transformateurs (Transformers) et l’autre sur les réseaux de convolution temporelle (TCN). Ces architectures sont évaluées pour leur efficacité à prédire la durée de vie restante (RUL) des moteurs d’avion, dans le but d’améliorer la fiabilité des moteurs et la sécurité des opérations. L’étude discute également de la mise en oeuvre d’un système de surveillance en temps réel pour la maintenance des moteurs.