L. N Srividya / Ms. D. Banu Kranthi
Manutenção preditiva e deteção de anomalias baseadas em aprendizagem profunda para motores de naves espaciais apresenta uma estrutura inteligente que utiliza técnicas de aprendizagem profunda para monitorizar o estado dos motores de naves espaciais, identificar condições de funcionamento anormais e prever potenciais falhas antes que estas ocorram. Através da análise dos dados dos sensores recolhidos durante o funcionamento do motor, a abordagem proposta deteta padrões ocultos e sinais precoces de degradação, permitindo uma manutenção atempada e reduzindo o risco de falha da missão. Modelos avançados de redes neurais, tais como arquiteturas recorrentes e convolucionais, melhoram a precisão na deteção de falhas e apoiam a tomada de decisões em tempo real. O sistema proposto aumenta a fiabilidade das naves espaciais, minimiza os custos de manutenção, prolonga a vida útil dos motores e contribui para missões espaciais mais seguras e eficientes. Esta investigação demonstra o potencial da inteligência artificial para transformar as estratégias de manutenção preditiva na indústria aeroespacial.