Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 61-68.

This research addresses the challenges in estimating Remaining Useful Life (RUL) for
equipment in physics and industrial systems, essential for ensuring reliability and
safety. Traditional methods often suffer from large model sizes, high memory
consumption, and slow inference speeds, which are impractical for real-time use and
resource-constrained environments like Internet Of things (IoT) devices. Our study
introduces innovative binarization techniques for recurrent neural networks to reduce
model size and memory needs, improve green computing. The research balances
computational efficiency with accuracy in RUL estimation, using a set of metrics
including predictive accuracy, computational efficiency, memory reduction, and a
scoring function that penalizes late predictions, crucial to preventing disasters in
nuclear settings.

يُعد تقدير عمر التشغيل الفعلي المتبقي بدقة أمرًا جوهريًا لضمان موثوقية المعدات، خاصة في الأنظمة النووية. تواجه النماذج التقليدية تحديات كضخامة الحجم، وبطء الاستدلال، وكثرة استهلاك الذاكرة، مما يحد من كفاءتها في البيئات محدودة الموارد. لمعالجة ذلك، تقترح هذه الدراسة تقنيات تحويل ثنائي داخل الشبكات العصبية المتكررة بهدف تقليل الحجم، وتسريع التنبؤ، وتحقيق كفاءة أعلى. تم تقييم النماذج باستخدام مقاييس تشمل وقت التدريب والاستدلال، تقليل الذاكرة، ودقة التنبؤ، مع التركيز على التوازن بين الكفاءة والدقة. طُبقت النماذج على بيانات واقعية لمحركات نفاثة، وأظهرت النتائج قدرتها على مواجهة التحديات بفعالية، مما يجعلها مناسبة للتطبيقات الحيوية التي تتطلب سرعة ودقة مع موارد محدودة.

Issues also as CD.

Text in English and abstract in Arabic & English.