2026 article

Toward Generalizable Predictive Health Models for Diverse Turbofan Engines Via Knowledge Transfer

Jin-sol Jung, 손창민, Andrew Rimell, Rory J. Clarkson, Philip Naylor, Eric Davis, Gavan Burke, Rekha Sundararajan, Jonas Schwengler

0Citations signalées, ce qui n’est pas une note de qualité

4Institutions déclarées

3Pays d’affiliation déclarés

Rattachement africain : us, gb, de. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Abstract Predictive models for aircraft engines are being developed to forecast engine health conditions based on available operational data. In-service engine data will be the most valuable information to build such a model but may not always be accessible or sufficient. A pre-trained model can be a possible alternative, if it can be extended to new and other engine families. The objective of this paper is to demonstrate knowledge transfer by evaluating a predictive engine health model across different applications of engines. A predictive engine health model was developed using Machine Learning techniques applied to engine health monitoring (EHM) data gathered from the fleets of three different turbofan engines. Each model was built exclusively by training on the EHM data from each fleet of turbofan engines. The pre-trained models made predictions for their source (baseline case), and for other fleets of turbofan engines (transfer knowledge cases). The results show that the transfer knowledge cases have mean root-mean-square-error (RMSE) values, between 5 °C and 8 °C, which is about 2 times higher than the baseline case. The baseline case, represented by a smaller interquartile range (IQR), between 0.4 °C and 1.6 °C, have less variation in the prediction results than that of the transfer knowledge cases which have IQR values ranging from 1.6 °C to 6 °C. Such results indicate a generative predictive engine health framework may be developed with the capacity to be scaled across multiple gas turbine engine classes and applications.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: Toward Generalizable Predictive Health Models for Diverse Turbofan Engines Via Knowledge Transfer
Date Crossref: 15/09/2026
Éditeur: ASME International
Type: journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

Virginia Tech pays non établi dans la notice
Université ou école supérieure
Rolls-Royce (United Kingdom) pays non établi dans la notice
Entreprise
Rolls-Royce (United States) pays non établi dans la notice
Entreprise
Rolls-Royce (Germany) pays non établi dans la notice
Entreprise
Virginia Polytechnic Institute and State University pays non établi dans la notice
Université ou école supérieure
Rolls-Royce plc pays non établi dans la notice
Institution
Rolls-Royce Corporation pays non établi dans la notice
Institution
Rolls-Royce Deutschland pays non établi dans la notice
Institution

Virginia Tech, Rolls-Royce (United Kingdom) et Rolls-Royce (United States), avec 5 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Machine Fault Diagnosis TechniquesAdvanced Aircraft Design and TechnologiesAdvanced Combustion Engine Technologies

Consulter la publication primaire Ouvrir le DOI