Die Schätzung der verbleibenden NutzungsdauerVerbleibende Nutzungsdauer (RUL) einer Komponente ist eine der wichtigsten Aufgaben für prädiktive Wartungssysteme (PMSs). Diese Forschung zielt darauf ab, die verbleibende NutzungsdauerVerbleibende Nutzungsdauer (RUL) von Flugzeugmotoren mit Hilfe des durch den BienenalgorithmusBienenalgorithmus, DER (BA) optimierten halbüberwachten Deep-Learning-Modells vorherzusagen. Zu diesem Zweck wurde die LSTM-Architektur als eine erfolgreiche Deep-Learning-Architektur zur Verarbeitung von Zeitreihendatensätzen implementiert. Die VorhersagenVorhersage wurden mit dem Datensatz der NASA Turbofan Engine Corruption Simulation (C-MAPSS) gemacht. Das vorgeschlagene VorhersagemodellVorhersage wurde als eine binäre KlassifikationsaufgabeKlassifikation auf Basis des halbüberwachten Labeling-Prozesses formuliert. Im Gegensatz zu den herkömmlichen prädiktiven Wartungsmodellen lernt die datengetriebene LSTM-Architektur automatisch Merkmale der multivariaten Zeitreihen. Das Modell wurde auf der Grundlage von 16 verschiedenen Zeitzyklen verifiziert. Das vorgeschlagene halbüberwachte Deep-Learning-Modell wurde mit dem BA trainiert, um den Genauigkeitswert für die sicheren und unsicheren Zustände von Flugzeugmotoren zu verbessern. Die experimentellen Ergebnisse erreichten eine Genauigkeit von 98 % für den Testdatensatz, und das vorgeschlagene Modell schnitt in Bezug auf das F1-Maß sowohl für den Trainings- als auch für den Testdatensatz besser ab. Experimente haben gezeigt, dass das vorgeschlagene Deep-Learning-Modell als ein vielversprechendes RUL-VorhersagemodellVorhersage verwendet werden kann.