التنبؤ بأعطال محركات الطائرات (الصيانة التنبؤية) باستخدام بيانات وكالة NASA.

في قطاع الطيران والصناعات الثقيلة، الأعطال المفاجئة قد تكلف ملايين الدولارات وتتسبب في كوارث. يهدف هذا المشروع إلى تطبيق مفهوم "الصيانة التنبؤية" (Predictive Maintenance) باستخدام بيانات مستشعرات حقيقية من وكالة الفضاء الأمريكية (NASA) لمحركات توربينية (Turbofan Engines). المشكلة والحل: تصدر المحركات آلاف القراءات من المستشعرات (مثل الحرارة، الضغط، والسرعة) بمرور الوقت. قمت بتحليل هذه البيانات المعقدة وبناء نموذج تعلم آلة قادر على التنبؤ بـ "العمر الافتراضي المتبقي" (Remaining Useful Life - RUL) للمحرك، مما يتيح لفريق الصيانة التدخل في الوقت المناسب تماماً قبل تعطل المحرك. خطوات العمل التي قمت بها: معالجة البيانات الزمنية: تنظيف قراءات المستشعرات المتعددة وتجهيز دورات حياة المحركات للتحليل. هندسة الميزات (Feature Engineering): استخراج المؤشرات الأكثر تأثيراً على تدهور حالة المحرك وتجاهل القراءات غير المؤثرة. التحليل الاستكشافي (EDA): رسم منحنيات تدهور أداء المحرك بمرور الوقت لفهم وتصور مسار الأعطال. بناء الموديل وتقييمه: استخدام خوارزميات التنبؤ المتقدمة (مثل خوارزمية Random Forest وغيرها من نماذج الانحدار Regression) وتدريبها لتقليل نسبة الخطأ في توقع موعد العطل بدقة عالية. الأدوات والتقنيات المستخدمة: Python | Pandas | NumPy | Scikit-Learn | Random Forest | Predictive Maintenance | Regression Analysis