Classification of Turbofan Engine Degradation Using Machine Learning Methods on C-MAPSS Data

Artsiom Halachkin

Bakalářská práce

Klasifikace degradace dvouproudových motorů pomocí metod strojového učení na datech C-MAPSS

Anotace:

Tato práce představuje implementaci klasifikátoru strojového učení, konkrétně algoritmu Random Forest, pro klasifikaci zdravotního stavu dvouproudových motorů s využitím datové sady NASA C-MAPSS. Studie byla zahájena rešerší stávajících strategií prediktivní údržby a předchozích výzkumů aplikovaných na data C-MAPSS. Tato rešerše odhalila znatelný nedostatek přístupů využívajících diskrétní klasifikaci pro tento specifický problém. Z tohoto důvodu se tato práce zaměřuje na transformaci tradiční spojité predikce zbývající doby životnosti do rámce vícetřídní klasifikace, což lépe odpovídá reálnému rozhodování v oblasti údržby. Během implementace byl kladen důraz na stanovení racionálních prahových hodnot pro jednotlivé stavy motoru, předzpracování dat a tvorbu příznaků s využitím metody plovoucího okna. Tento postup umožnil transformovat surová data z časových řad do formátu zpracovatelného standardními klasifikačními modely. Výsledkem je sestavený klasifikátor Random Forest, který vykazuje vysokou prediktivní výkonnost. Úspěšně klasifikuje menšinové třídy při zachování nízké míry falešných poplachů.

Abstract:

This thesis presents the implementation of a machine learning classifier, specifically a Random Forest, which classifies turbofan engine health using the NASA C-MAPSS dataset. The study began with a review of existing predictive maintenance strategies and previous research on C-MAPSS data. This review revealed a distinct lack of discrete classification approaches for this specific problem. Therefore, this work focuses on shifting the traditional continuous prediction of Remaining Useful Life into a multi-class classification framework that better aligns with real-world maintenance decision-making. During implementation, focus was on creating rational thresholds for engine health states, data preprocessing, and developing features using a sliding window, which allows feeding raw time-series data into a standard classification model. As a result, a Random Forest classifier was built and demonstrates strong results in predictive performance. It successfully classifies minority classes while maintaining a low rate of false alarms.

Klíčová slova

klasifikace, C-MAPSS, strojové učení, data časových řad, Random Forest

Keywords

C-MAPSS, time-series data, Random Forest, machine learning, classification

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 5. 6. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 16. 6. 2026
• Vedoucí: doc. Ing. Oldřich Trenz, Ph.D.
• Oponent: Jan Kolomazník, Ph.D.

Mendelova univerzita v Brně

Provozně ekonomická fakulta

Bakalářský studijní program / specializace:
Otevřená informatika / Zaměření pro Otevřenou informatiku