Temporal Degradation Pattern Learning for Aircraft Engine Remaining Useful Life Prediction

विमानन की उच्च-जोखिम वाली दुनिया में, जेट इंजन का स्वास्थ्य जीवन और मृत्यु का मामला है, फिर भी ये विशाल मशीनें एक ऐसे वातावरण में काम करती हैं जो लगातार बदलता रहता है। इंजन अत्यधिक गर्मी, हिंसक कंपन और बदलते वायु दबाव का सामना करते हैं क्योंकि वे ऊपर चढ़ते हैं, क्रूज करते हैं और नीचे उतरते हैं। इस कारण, इंजन का घिसाव और टूट-फूट एक सीधी, अनुमानित रेखा का पालन नहीं करता है; यह सैकड़ों सेंसरों से बहते डेटा द्वारा लिखी गई एक जटिल, विकसित होती कहानी है। दशकों से, इंजीनियरों ने यह अनुमान लगाने की कोशिश की है कि एक इंजन ठीक कब विफल होगा, जिसे "शेष उपयोगी जीवन" (remaining useful life) का अनुमान लगाना कहा जाता है। यदि वे इस समय का सटीक अनुमान लगा सकें, तो वे किसी खराबी के होने से पहले रखरखाव का समय निर्धारित कर सकते हैं, जिससे पैसा बचता है और, सबसे महत्वपूर्ण बात, आपदाओं को रोका जा सकता है। हालाँकि, पारंपरिक कंप्यूटर मॉडल अक्सर इस अराजक डेटा को समझने में संघर्ष करते हैं, विशेष रूप से तब जब इंजन विभिन्न स्थितियों में चल रहा हो। वे अक्सर क्षय (decay) के उन सूक्ष्म, दीर्घकालिक पैटर्न को मिस कर जाते हैं जो संकेत देते हैं कि मशीन अपने जीवन के अंत के करीब है।

इसे हल करने के लिए, भारत के नरसी मोनजी इंस्टीट्यूट ऑफ मैनेजमेंट स्टडीज के शोधकर्ताओं अदिति गावडे और अविनाश मोर ने कंप्यूटर के लिए इंजन के इतिहास को "पढ़ने" का एक नया तरीका विकसित किया है। उन्होंने 'टेम्पोरल एम्बेडिंग-बेस्ड टेम्पोरल कन्वोल्यूशनल न्यूरल नेटवर्क' नामक एक प्रणाली बनाई, जो एक लंबा नाम है जो अनिवार्य रूप से एक स्मार्ट टूल का वर्णन करता है जिसे यह सीखने के लिए डिज़ाइन किया गया है कि एक इंजन समय के साथ कैसे पुराना होता है। केवल सेंसर डेटा के एक स्नैपशॉट को देखने के बजाय, यह टूल घटनाओं के क्रम पर बारीकी से ध्यान देता है, और क्षरण (degradation) की विशिष्ट लय को पहचानना सीखता है। शोधकर्ताओं ने अपने तरीके का परीक्षण नासा (NASA) द्वारा प्रदान किए गए सिम्युलेटेड इंजन डेटा के चार अलग-अलग सेटों पर किया, जो सरल, स्थिर संचालन से लेकर कई प्रकार की त्रुटियों और बदलते मौसम की स्थितियों वाले जटिल परिदृश्यों तक सब कुछ दर्शाते हैं। उनका लक्ष्य यह देखना था कि क्या उनका नया दृष्टिकोण मौजूदा तरीकों की तुलना में इंजन के शेष जीवन की अधिक विश्वसनीय रूप से भविष्यवाणी कर सकता है, विशेष रूप से तब जब परिचालन स्थितियाँ कठिन और अप्रत्याशित हों।

इनका मुख्य नवाचार इस बात में निहित है कि कंप्यूटर समय को कैसे समझता है। पिछले कई प्रयासों में, कंप्यूटरों को डेटा बिंदुओं के क्रम को समझने के लिए एक निश्चित, कठोर तरीका दिया गया था, जो एक घड़ी की तरह था जो बिना किसी फर्क के समान गति से टिक-टिक करती है। शोधकर्ताओं ने महसूस किया कि इंजन का क्षरण इतना कठोर नहीं है; इंजन के घिसने का तरीका इस बात पर निर्भर करता है कि उसका उपयोग कैसे किया जा रहा है। इसे ठीक करने के लिए, उन्होंने एक "लर्नेबल टेम्पोरल एम्बेडिंग" (learnable temporal embedding) पेश किया। कल्पना कीजिए कि यह एक लचीला रूलर (पैमाना) है जिसे कंप्यूटर डेटा का अध्ययन करते समय खुद समायोजित करता है। जैसे-जैसे मॉडल प्रशिक्षित होता है, यह रूलर इंजन के इतिहास में देखे गए घिसाव के विशिष्ट पैटर्न से मेल खाने के लिए खिंचता और बदलता है। यह सिस्टम को प्रत्येक इंजन की अनूठी कहानी के अनुकूल होने की अनुमति देता है, न कि प्रत्येक इंजन को एक ही पूर्व-निर्मित बॉक्स में फिट करने की। उन्होंने इस लचीले समय-बोध को एक हल्के नेटवर्क के साथ जोड़ा जो स्थानीय पैटर्न के लिए सेंसर डेटा को स्कैन करता है, जिससे एक ऐसी प्रणाली बनी जो स्मार्ट और कुशल दोनों है।

यह सुनिश्चित करने के लिए कि वे इंजन के स्वास्थ्य को सही ढंग से माप रहे हैं, टीम को पहले कच्चे डेटा को साफ करना पड़ा। इंजन के सेंसर नंबरों की एक बाढ़ पैदा करते हैं, जिनमें से कई अनावश्यक या अप्रासंगिक होते हैं। शोधकर्ताओं ने शोर (noise) को फ़िल्टर किया, केवल उन संकेतों को रखा जो वास्तव में टूटने की प्रक्रिया के लिए महत्वपूर्ण थे। इसके बाद उन्होंने प्रत्येक इंजन के लिए एक एकल "हेल्थ इंडेक्स" बनाया, जो एक स्कोर है जो इंजन के नए और स्वस्थ होने पर उच्च होता है और जैसे-जैसे मशीन घिसती जाती है, धीरे-धीरे कम होता जाता है। इस स्कोर को विश्वसनीय बनाने के लिए, उन्होंने डेटा में छोटे, यादृच्छिक उतार-चढ़ाव को सुधारा और यह सुनिश्चित किया कि स्कोर कभी वापस ऊपर न जाए, जो इस वास्तविकता को दर्शाता है कि इंजन उम्र बढ़ने के साथ स्वस्थ नहीं होता है। यह साफ, स्थिर स्कोर उनके भविष्यवाणी मॉडल के लिए लक्ष्य बन गया, जिससे कंप्यूटर को एक स्वस्थ गिरावट की स्पष्ट तस्वीर मिली।

शोधकर्ताओं ने नासा के डेटासेट का उपयोग करके अपने नए सिस्टम का परीक्षण कई अन्य लोकप्रिय तरीकों के विरुद्ध किया, जिसमें एक, दो या यहाँ तक कि छह अलग-अलग परिचालन स्थितियों वाले परिदृश्य शामिल थे। सरल परिदृश्यों में, जहाँ इंजन स्थिर स्थितियों में चलता था, कई तरीकों ने अच्छा प्रदर्शन किया। हालाँकि, असली परीक्षा सबसे जटिल डेटासेट के साथ आई, जिसमें कई परिचालन स्थितियाँ और दोष प्रकार मिश्रित थे। यहाँ, नया सिस्टम अपनी ताकत दिखाता है। जबकि अन्य मॉडल कभी-कभी लड़खड़ाते थे या इंजन का वातावरण बदलने पर अनियमित भविष्यवाणियां करते थे, नया सिस्टम इंजन के शेष जीवन का एक स्थिर और सटीक ट्रैक बनाए रखता है। यह इंजन के पतन के सामान्य रुझान का अनुसरण करने में सक्षम रहा, भले ही डेटा शोर भरा हो या स्थितियाँ अराजक हों। शोधकर्ताओं ने पाया कि कंप्यूटर द्वारा डेटा को देखने के लिए उपयोग किया जाने वाला "विंडो" (खिड़की) का आकार महत्वपूर्ण था। एक बहुत छोटा विंडो बड़े चित्र को मिस कर देता था, जबकि एक बहुत बड़ा विंडो महत्वपूर्ण विवरणों को धुंधला कर देता था। उन्होंने पाया कि एक मध्यम आकार का विंडो, जो समय के एक विशिष्ट अंतराल को देखता है, सबसे अच्छा संतुलन प्रदान करता है, जिससे मॉडल तात्कालिक परिवर्तनों और दीर्घकालिक रुझानों दोनों को देख पाता है।

एक सबसे महत्वपूर्ण निष्कर्ष यह था कि केवल कंप्यूटर मॉडल को अधिक जटिल बनाने से वह बेहतर नहीं हुआ। पिछले दृष्टिकोण अक्सर इन समस्याओं को हल करने के लिए अधिक परतें जोड़ने या डेटा विंडोज़ को बड़ा करने की कोशिश करते थे, जिससे सटीकता में सुधार किए बिना कम्प्यूटेशनल लागत बढ़ जाती थी। इसके विपरीत, नया सिस्टम इसलिए सफल नहीं हुआ कि वह भारी या अधिक जटिल हो गया, बल्कि इसलिए क्योंकि वह अधिक अनुकूलनीय (adaptable) हो गया। लर्नबल टाइम-सेन्स ने मॉडल को अत्यधिक संसाधनों की आवश्यकता के बिना क्षरण प्रक्रिया को गहराई से समझने की अनुमति दी। जब शोधकर्ताओं ने अपने परिणामों की तुलना अन्य उन्नत तरीकों से की, तो उनके सिस्टम ने लगातार कम त्रुटि दर प्रदर्शित की, जिसका अर्थ है कि उनकी भविष्यवाणियां इंजन के वास्तविक शेष जीवन के अधिक करीब थीं। यह विशेष रूप से उन कठिन डेटासेट्स के लिए सच था जहाँ अन्य मॉडल सामान्य परिचालन परिवर्तनों और वास्तविक विफलता के संकेतों के बीच अंतर करने में संघर्ष कर रहे थे।

अध्ययन ने यह भी देखा कि मॉडल व्यक्तिगत इंजनों पर कैसा प्रदर्शन करता है, उनके अनुमानित जीवन को उनके वास्तविक जीवन के विरुद्ध ट्रैक किया। जटिल परिदृश्यों में, मॉडल की भविष्यवाणियां इंजन के पतन के वास्तविक पथ का उल्लेखनीय निरंतरता के साथ अनुसरण करती हैं। यह इंजन के स्वास्थ्य के वक्र (curve) को ट्रैक करता है, यह पहचानता है कि घिसाव कब तेज हो रहा है। विफलता के प्रक्षेपवक्र (trajectory) का पालन करने की यह क्षमता वास्तविक दुनिया के रखरखाव के लिए महत्वपूर्ण है, क्योंकि यह इंजीनियरों को एक महत्वपूर्ण बिंदु तक पहुँचने से पहले हस्तक्षेप की योजना बनाने की अनुमति देती है। शोधकर्ताओं ने उल्लेख किया कि हालांकि मॉडल अत्यधिक प्रभावी था, लेकिन यह पूर्ण नहीं था; विशेष रूप से सबसे अराजक परिदृश्यों में अनुमानित और वास्तविक मूल्यों के बीच अभी भी छोटे अंतर थे। हालाँकि, ये अंतर अन्य अग्रणी तरीकों द्वारा उत्पन्न किए गए अंतरों से कम थे, जो यह सुझाव देते हैं कि मशीनों द्वारा अपने स्वयं के बुढ़ापे की निगरानी करने के तरीके में वास्तविक सुधार हुआ है।

आगे देखते हुए, शोधकर्ता इस कार्य को आगे बढ़ाने के कई तरीके देखते हैं। वे सुझाव देते हैं कि उनके लचीले समय-सीखने वाले दृष्टिकोण को कृत्रिम बुद्धिमत्ता के अन्य प्रकारों के साथ जोड़ने से जटिल पैटर्न को पहचानने की क्षमता में और सुधार हो सकता है। वे यह भी प्रस्तावित करते हैं कि मॉडल में इंजन के विफल होने के भौतिक नियमों को जोड़ने से भविष्यवाणियां और भी मजबूत हो सकती हैं, विशेष रूप से जब डेटा गायब या शोर भरा हो। वास्तविक जीवन की अव्यवस्था को संभालने के लिए, केवल सिम्युलेटेड डेटा के बजाय वास्तविक विमानों के वास्तविक डेटा पर सिस्टम का परीक्षण करने में भी गहरी रुचि है। इसके अलावा, उनका लक्ष्य ऐसे तरीके विकसित करना है जो इंजीनियरों को न केवल यह बता सकें कि इंजन कब विफल होगा, बल्कि यह भी कि कंप्यूटर उस भविष्यवाणी के बारे में कितना आश्वस्त है, जिससे निर्णय लेने की प्रक्रिया में विश्वास की एक परत जुड़ सके।

अंततः, यह शोध सुरक्षित और अधिक कुशल हवाई यात्रा की ओर एक स्पष्ट मार्ग प्रदान करता है। कंप्यूटर को इंजन के घिसाव की सूक्ष्म, विकसित होती भाषा को समझने में सिखाकर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो एक मशीन के भविष्य को अधिक स्पष्टता के साथ देख सकता है। यह कार्य प्रदर्शित करता है कि कभी-कभी, एक जटिल समस्या को हल करने का सबसे अच्छा तरीका एक बड़ा, अधिक शक्तिशाली मशीन बनाना नहीं है, बल्कि एक स्मार्ट मशीन बनाना है जो उस दुनिया के अनुकूल हो सके जिसे वह देख रही है। जैसे-जैसे विमानन तेजी से जटिल मशीनरी पर निर्भर होता जा रहा है, विफलता होने से पहले उसे भांप लेने की क्षमता न केवल एक तकनीकी उपलब्धि है, बल्कि सुरक्षा के लिए एक मौलिक आवश्यकता भी है। नया तरीका इस दिशा में एक आशाजनक कदम है, जो यह सिद्ध करता है कि सही दृष्टिकोण के साथ, मशीनें वास्तव में अपने बुढ़ापे और क्षय की कहानियाँ सुना सकती हैं।