000			04409namaa22004451i 4500
003			EG-GICUC
005			20260502200753.0
008			260502s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a530.05
092			_a530.05 _221
097			_aM.Sc
099			_aCai01.13.10.M.Sc.2025.Wa.E
100	0		_aWalaa Gomaa Ali Faramawy, _epreparation.
245	1	0	_aEfficient remaining useful lifetime prediction in prognostic health management systems : _bbinarization strategies for real-time applications and resource-limited environments / _cby Walaa Gomaa Ali Faramawy ; Supervisors Prof. Dr. Mohamed Hesham Farouk, Dr. Ahmed Mohamed Elsheikh, Prof. Dr. Enas Hassan ElKhawas.
246	1	5	_aتقدير فعّال لعمر التشغيل المتبقي في أنظمة إدارة الصحة التنبؤية : _bاستراتيجيات التحويل الثنائي للتطبيقات الفورية والبيئات محدودة الموارد
264		0	_c2025.
300			_a68 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 61-68.
520		3	_aThis 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.
520		3	_aيُعد 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aEngineering physics
650		0	_aالرياضيات والفيزيقا الهندسية
653		1	_aPrognostic Health Maintenance (PHM) _aRemaining Useful Life Time (RUL) _aBinarization _aLong Short Term Memory (LSTM) _ascoring function _aالصيانة الصحية التنبؤية _aالعمر التشغيلي المتبقي
700	0		_aMohamed Hesham Farouk _ethesis advisor.
700	0		_aAhmed Mohamed Elsheikh _ethesis advisor.
700	0		_aEnas Hassan ElKhawas _ethesis advisor.
900			_b01-01-2025 _cMohamed Hesham Farouk _cAhmed Mohamed Elsheikh _cEnas Hassan ElKhawas _dKhaled Mohammed El-Fasseh _d Reda Abdelwahab Ahmed _UCairo University _FFaculty of Engineering _DDepartment of Engineering Physics
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c179892