A motorok meghibásodásának pontos előrejelzése különösen kritikus olyan iparágakban,
ahol az eszközök kiesése jelentős költségeket és biztonsági kockázatokat eredményezhet.
Ez a tanulmány az adaptív boosting (AdaBoost) algoritmus alkalmazását vizsgálja a
motorok meghibásodásának előrejelzésére. Az AdaBoost választását az is indokolta,
hogy könnyen értelmezhető és kis számítási erőforrásigényű, így jól alkalmazható valós
idejű vagy beágyazott rendszerekben történő implementációra. A cikkben vizsgát adathalmaz
100 motor működési adatait tartalmazza. Az előfeldolgozás során a motorok meghibásodási
idejének (Time to Failure, TTF) mediánja alapján bináris címkéket hoz létre, amely
jelzi a karbantartási igény sürgősségét. Az implementált modell 80%-os pontosságot
ért el. Az eredmények alapján a modell előrejelzési képessége ígéretes, de a hamis
negatív osztályzások száma még további optimalizálást igényel. A kutatás eredményei
új lehetőségeket nyitnak a megelőző karbantartási rendszerek fejlesztésére.
