stringtranslate.com

Прогностика

Прогностика — это инженерная дисциплина, ориентированная на прогнозирование времени, в течение которого система или компонент больше не будут выполнять свою предполагаемую функцию. [1] Это отсутствие производительности чаще всего является отказом, после которого система больше не может использоваться для достижения желаемой производительности. Прогнозируемое время затем становится оставшимся сроком полезного использования ( RUL ), который является важной концепцией при принятии решений для смягчения последствий непредвиденных обстоятельств. Прогностика прогнозирует будущую производительность компонента, оценивая степень отклонения или ухудшения системы от ее ожидаемых нормальных условий эксплуатации. [2] Наука прогностики основана на анализе режимов отказов, обнаружении ранних признаков износа и старения, а также условий отказа. Эффективное прогностическое решение реализуется, когда есть надежные знания о механизмах отказов, которые, вероятно, вызовут ухудшения, приводящие к возможным отказам в системе. Поэтому необходимо иметь начальную информацию о возможных отказах (включая место, режим, причину и механизм) в продукте. Такие знания важны для определения параметров системы, которые должны контролироваться. Потенциальное применение прогностики — техническое обслуживание на основе состояния . Дисциплина, которая связывает исследования механизмов отказов с управлением жизненным циклом системы, часто называется прогностикой и управлением работоспособностью ( PHM ), иногда также управлением работоспособностью системы ( SHM ) или — в транспортных приложениях — управлением работоспособностью транспортного средства ( VHM ) или управлением работоспособностью двигателя ( EHM ). Технические подходы к построению моделей в прогностике можно в целом разделить на подходы, основанные на данных, подходы, основанные на моделях, и гибридные подходы.

Прогнозирование на основе данных

Прогностика на основе данных обычно использует методы распознавания образов и машинного обучения для обнаружения изменений в состояниях системы. [3] Классические методы на основе данных для нелинейного системного прогнозирования включают использование стохастических моделей, таких как модель авторегрессии (AR), пороговая модель AR, билинейная модель, преследование проекции, многомерные адаптивные регрессионные сплайны и разложение ряда Вольтерры. Начиная с последнего десятилетия, все больше интересов в прогнозировании состояния системы на основе данных были сосредоточены на использовании гибких моделей, таких как различные типы нейронных сетей (NN) и нейронных нечетких (NF) систем. Подходы на основе данных уместны, когда понимание первых принципов работы системы не является всеобъемлющим или когда система достаточно сложна, так что разработка точной модели является непомерно дорогой. Таким образом, основные преимущества подходов на основе данных заключаются в том, что их часто можно развернуть быстрее и дешевле по сравнению с другими подходами, и что они могут обеспечить общесистемный охват (ср. физические модели, которые могут быть довольно узкими по охвату). Главным недостатком является то, что подходы, основанные на данных, могут иметь более широкие доверительные интервалы, чем другие подходы, и что они требуют значительного объема данных для обучения. Подходы, основанные на данных, могут быть далее подразделены на статистику на основе флота и обусловленность на основе датчиков. Кроме того, методы, основанные на данных, также включают методы подсчета циклов, которые могут включать знание предметной области .

Две основные стратегии, основанные на данных, включают (1) моделирование кумулятивного ущерба (или, что эквивалентно, здоровья) и затем экстраполяцию до порогового значения ущерба (или здоровья) или (2) непосредственное изучение оставшегося срока службы на основе данных. [4] [5] Как уже упоминалось, основным узким местом является сложность получения данных о работе до отказа, в частности, для новых систем, поскольку работа систем до отказа может быть длительным и довольно дорогостоящим процессом. Когда будущее использование не такое, как в прошлом (как в случае с большинством нестационарных систем), сбор данных, которые включают все возможные будущие использования (как нагрузки, так и условия окружающей среды), часто становится практически невозможным. Даже если данные существуют, эффективность подходов, основанных на данных, зависит не только от количества, но и от качества эксплуатационных данных системы. Эти источники данных могут включать температуру, давление, масляный мусор, токи, напряжения, мощность, вибрацию и акустический сигнал, спектрометрические данные, а также калибровочные и калориметрические данные. Данные часто необходимо предварительно обрабатывать перед тем, как их можно будет использовать. Обычно выполняются две процедуры: i) шумоподавление и ii) извлечение признаков. Шумоподавление относится к уменьшению или устранению влияния шума на данные. Извлечение признаков важно, поскольку в современном мире, жадном до данных, огромное количество данных собирается с помощью измерений датчиков, которые не всегда могут быть использованы. Поэтому для извлечения важных признаков из (чаще всего) шумных, многомерных данных применяются знания предметной области и статистическая обработка сигналов. [6]

Прогнозирование на основе физики

Прогностика на основе физики (иногда называемая прогностикой на основе моделей) пытается включить физическое понимание (физические модели) системы в оценку остаточного срока службы (RUL). Моделирование физики может осуществляться на разных уровнях, например, на микро- и макроуровнях. На микроуровне (также называемом уровнем материалов) физические модели воплощаются в серии динамических уравнений, которые определяют взаимосвязи в заданное время или цикл нагрузки между повреждением (или деградацией) системы/компонента и условиями окружающей среды и эксплуатации, в которых эксплуатируется система/компонент. Модели микроуровня часто называют моделью распространения повреждений. Например, модель усталостной долговечности Ю и Харриса для шариковых подшипников, которая связывает усталостную долговечность подшипника с индуцированным напряжением [7] , модель роста трещин Пэриса и Эрдогана [8] и стохастическая модель распространения дефектов [9] являются другими примерами моделей микроуровня. Поскольку измерения критических свойств повреждений (таких как напряжение или деформация механического компонента) редко доступны, для вывода значений напряжения/деформации необходимо использовать параметры чувствительной системы. Микроуровневые модели должны учитывать в управлении неопределенностью допущения и упрощения, которые могут накладывать существенные ограничения на этот подход.

Макроуровневые модели — это математическая модель на системном уровне, которая определяет взаимосвязь между входными переменными системы, переменными состояния системы и переменными/выходами системных мер, где модель часто является несколько упрощенным представлением системы, например, моделью с сосредоточенными параметрами. Компромисс заключается в увеличении охвата с возможным снижением точности конкретного режима деградации. Там, где этот компромисс допустим, результатом может быть более быстрое прототипирование. Однако, когда системы сложны (например, газотурбинный двигатель), даже макроуровневая модель может быть довольно трудоемким и длительным процессом. В результате макроуровневые модели могут быть недоступны в деталях для всех подсистем. Полученные упрощения должны учитываться при управлении неопределенностью.

Гибридные подходы

Гибридные подходы пытаются использовать преимущества как подходов, основанных на данных, так и подходов, основанных на моделях. [10] [11] В действительности редко бывает, что полевые подходы полностью основаны либо исключительно на данных, либо исключительно на моделях. Чаще всего подходы, основанные на моделях, включают некоторые аспекты подходов, основанных на данных, а подходы, основанные на данных, собирают доступную информацию из моделей. Примером первого случая может служить ситуация, когда параметры модели настраиваются с использованием полевых данных. Примером последнего случая является ситуация, когда заданное значение, смещение или коэффициент нормализации для подхода, основанного на данных, задаются моделями. Гибридные подходы можно в целом разделить на две категории: 1) предварительное слияние оценок и 2.) последующее слияние оценок. Физическую и эмпирическую модели можно также объединить простым аддитивным способом, например, аддитивное сочетание базовой физической модели с искусственной нейронной сетью. Это может обеспечить превосходную диагностическую или прогностическую производительность, чем просто один или другой. См., например, такую ​​аддитивную гибридную модель, используемую при анализе характеристик реактивного двигателя. [12]

Предварительная оценка слияния моделей и данных

Мотивацией для предварительной оценки агрегации может быть отсутствие данных о наземной истине. Это может произойти в ситуациях, когда диагностика хорошо справляется с обнаружением неисправностей, которые устраняются (путем технического обслуживания) до того, как произойдет отказ системы. Поэтому данных о работе до отказа практически нет. Однако есть стимул лучше знать, когда система выйдет из строя, чтобы лучше использовать оставшийся срок службы и в то же время избегать внепланового обслуживания (внеплановое обслуживание обычно обходится дороже планового и приводит к простою системы). Гарга и др. концептуально описывают гибридный подход предварительной оценки агрегации, в котором знание предметной области используется для изменения структуры нейронной сети, что приводит к более экономному представлению сети. [ необходима цитата ] Другой способ выполнения предварительной оценки агрегации — это объединение автономного и онлайн-процессов: в автономном режиме можно использовать имитационную модель на основе физики для понимания взаимосвязи реакции датчика с состоянием неисправности; В режиме онлайн можно использовать данные для определения текущего состояния повреждения, затем отслеживать данные для характеристики распространения повреждения и, наконец, применять индивидуальную модель распространения, управляемую данными, для прогнозирования остаточного срока службы. Например, Хорасгани и др. [13] смоделировали физику отказа электролитических конденсаторов. Затем они использовали подход с использованием фильтра частиц для получения динамической формы модели деградации и оценки текущего состояния здоровья конденсатора. Затем эта модель используется для получения более точной оценки остаточного срока службы (RUL) конденсаторов, поскольку они подвергаются воздействию термического напряжения.

Постоценочное слияние подходов, основанных на моделях, с подходами, основанными на данных

Мотивацией для слияния после оценки часто является рассмотрение управления неопределенностью. То есть слияние после оценки помогает сузить интервалы неопределенности подходов, основанных на данных или моделях. В то же время точность улучшается. Основная идея заключается в том, что множественные источники информации могут помочь улучшить производительность оценщика. Этот принцип был успешно применен в контексте слияния классификаторов, где выходные данные нескольких классификаторов используются для получения лучшего результата, чем любой классификатор в одиночку. В контексте прогностики слияние может быть достигнуто путем использования оценок качества, которые назначаются отдельным оценщикам на основе различных входных данных, например, эвристики, априори известной производительности, горизонта прогнозирования или надежности прогноза [ необходима цитата ] .

Прогностическая оценка эффективности

Прогностическая оценка производительности имеет ключевое значение для успешного развертывания системы PHM. Раннее отсутствие стандартизированных методов оценки производительности и наборов контрольных данных привело к зависимости от традиционных показателей производительности, заимствованных из статистики. Эти показатели были в первую очередь основаны на точности и достоверности, когда производительность оценивалась по окончанию срока службы, как правило, известному априори в офлайн-режиме. В последнее время усилия по развитию технологии прогностики значительно сосредоточились на стандартизации прогностических методов, включая методы оценки производительности. Ключевым аспектом, отсутствующим в традиционных метриках, является возможность отслеживать производительность с течением времени. Это важно, поскольку прогностика — это динамический процесс, в котором прогнозы обновляются с соответствующей частотой по мере поступления дополнительных данных наблюдений из операционной системы. Аналогичным образом, производительность прогнозирования изменяется со временем, что необходимо отслеживать и количественно оценивать. Другим аспектом, который отличает этот процесс в контексте PHM, является временное значение прогноза RUL. По мере того, как система приближается к отказу, временное окно для принятия корректирующих мер становится короче, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в процессах, измерениях и моделях прогнозирования неизбежны, и, следовательно, прогностика неизбежно подразумевает неопределенность в своих оценках. Надежная оценка эффективности прогностики должна включать эффекты этой неопределенности.

С учетом этих вопросов были разработаны несколько показателей эффективности прогностики:

Визуальное представление этих показателей можно использовать для описания прогностической эффективности в долгосрочной перспективе.

Неопределенность в прогностике

Существует множество параметров неопределенности, которые могут влиять на точность прогноза. Их можно разделить на следующие категории: [14]

Примеры количественной оценки неопределенности можно найти в [15] [16] [17] [18] [19]

Коммерческие аппаратные и программные платформы

Для большинства промышленных приложений PHM обычно наиболее практичными и распространенными являются коммерческое готовое оборудование для сбора данных и датчики. Примерами коммерческих поставщиков оборудования для сбора данных являются National Instruments [20] и Advantech Webaccess; [21] однако для определенных приложений оборудование может быть настроено или усилено по мере необходимости. Распространенные типы датчиков для приложений PHM включают акселерометры, датчики температуры, давления, измерения скорости вращения с использованием энкодеров или тахометров, электрические измерения напряжения и тока, акустическую эмиссию, тензодатчики для измерения силы и измерения смещения или положения. Существует множество поставщиков датчиков для этих типов измерений, причем некоторые из них имеют определенную линейку продуктов, которая больше подходит для мониторинга состояния и приложений PHM.

Алгоритмы анализа данных и технология распознавания образов теперь предлагаются в некоторых коммерческих программных платформах или как часть пакетного программного решения. В настоящее время National Instruments имеет пробную версию (с коммерческим выпуском в следующем году) прогностического инструментария Watchdog Agent, который представляет собой набор управляемых данными алгоритмов PHM, разработанных Центром интеллектуальных систем обслуживания. [22] Этот набор из более чем 20 инструментов позволяет настраивать и настраивать алгоритмы для извлечения сигнатур, обнаружения аномалий, оценки работоспособности, диагностики сбоев и прогнозирования сбоев для данного приложения по мере необходимости. Индивидуальные коммерческие решения для предиктивного мониторинга с использованием инструментария Watchdog Agent теперь предлагаются недавно созданной компанией Predictronics Corporation [23] , основатели которой сыграли важную роль в разработке и применении этой технологии PHM в Центре интеллектуальных систем обслуживания. Другим примером является MATLAB и его Predictive Maintenance Toolbox [24] , который предоставляет функции и интерактивное приложение для исследования, извлечения и ранжирования признаков с использованием методов, основанных на данных и моделях, включая статистический, спектральный и временной анализ. Этот набор инструментов также включает справочные примеры для двигателей, коробок передач, аккумуляторов и других машин, которые можно повторно использовать для разработки пользовательских алгоритмов предиктивного обслуживания и мониторинга состояния. Другие коммерческие программные предложения фокусируются на нескольких инструментах для обнаружения аномалий и диагностики неисправностей и обычно предлагаются в виде пакетного решения вместо предложения набора инструментов. Пример включает аналитический метод обнаружения аномалий Smart Signals, основанный на моделях автоассоциативного типа (моделирование на основе сходства), которые ищут изменения в номинальной корреляционной связи в сигналах, вычисляют остатки между ожидаемой и фактической производительностью, а затем выполняют проверку гипотез на остаточных сигналах (последовательный тест отношения вероятностей). [25] Аналогичные типы методов анализа также предлагает Expert Microsystems, которая использует аналогичный метод автоассоциативного ядра для вычисления остатков и имеет другие модули для диагностики и прогнозирования. [26]

Прогностика на системном уровне

[27] В то время как большинство подходов к прогнозированию фокусируются на точном вычислении скорости деградации и остаточного срока службы (RUL) отдельных компонентов, именно скорость, с которой ухудшается производительность подсистем и систем, представляет больший интерес для операторов и персонала по техническому обслуживанию этих систем.

Смотрите также

Примечания

  1. ^ Вахцеванос; Льюис, Ремер; Гесс и Ву (2006). Интеллектуальная диагностика и прогнозирование неисправностей для инженерных систем. Wiley. ISBN 978-0-471-72999-0.
  2. ^ Пехт, Майкл Г. (2008). Прогнозирование и управление исправностью электроники. Уайли. ISBN 978-0-470-27802-4.
  3. ^ Лю, Цзе; Ван, Голнараги (2009). «Многошаговый предиктор с переменным входным шаблоном для прогнозирования состояния системы». Механические системы и обработка сигналов . 23 (5): 1586–1599. Bibcode : 2009MSSP...23.1586L. doi : 10.1016/j.ymssp.2008.09.006.
  4. ^ Мосаллам, А.; Меджахер, К; Зерхуни, Н. (2014). «Управляемый данными прогностический метод на основе байесовского подхода для прямого прогнозирования остаточного срока службы» (PDF) . Журнал интеллектуального производства . 27 (5): 1037–1048. doi :10.1007/s10845-014-0933-4. S2CID  1978502.
  5. ^ Мосаллам, А.; Меджахер, К.; Зерхуни, Н. (2015). «Компонентно-ориентированное прогнозирование на основе данных для сложных систем: Методология и приложения». 2015 Первая международная конференция по надежности систем инженерии (ICRSE) (PDF) . стр. 1–7. doi :10.1109/ICRSE.2015.7366504. ISBN 978-1-4673-8557-2. S2CID  2931906.
  6. ^ Мосаллам, А.; Меджахер, К; Зерхуни, Н. (2013). «Непараметрическое моделирование временных рядов для промышленного прогнозирования и управления здравоохранением». Международный журнал передовых производственных технологий . 69 (5): 1685–1699. doi :10.1007/s00170-013-5065-z. S2CID  3182648.
  7. ^ Ю, Вэй Куфи; Харрис (2001). «Новая модель усталостной долговечности шариковых подшипников на основе напряжений». Tribology Transactions . 44 (1): 11–18. doi :10.1080/10402000108982420. S2CID  110685617.
  8. ^ Париж, PC; Ф. Эрдоган (1963). "Закрытие "Обсуждений критического анализа законов распространения трещин" (1963, ASME J. Basic Eng., 85, стр. 533–534)". Журнал базовой инженерии . 85 (4): 528–534. doi : 10.1115/1.3656903 .
  9. ^ Ли, Y.; Курфесс, TR; Лян, SY (2000). «Стохастическое прогнозирование для подшипников качения». Механические системы и обработка сигналов . 14 (5): 747–762. Bibcode : 2000MSSP...14..747L. doi : 10.1006/mssp.2000.1301. ISSN  0888-3270.
  10. ^ Пехт, Майкл; Джаай (2010). «Прогностическая и дорожная карта управления здоровьем для информационных и электронных систем». Надежность микроэлектроники . 50 (3): 317–323. Bibcode : 2010ESSFR...3.4.25P. doi : 10.1016/j.microrel.2010.01.006.
  11. ^ Лю, Цзе; Ван, Ма; Ян, Ян (2012). «Прогностическая структура слияния данных и моделей для прогнозирования состояния динамической системы». Инженерные приложения искусственного интеллекта . 25 (4): 814–823. doi :10.1016/j.engappai.2012.02.015. S2CID  33838225.
  12. ^ Volponi, Allan (май 2014 г.). «Управление состоянием газотурбинного двигателя: тенденции прошлого, настоящего и будущего». Журнал инженерного дела по газовым турбинам и энергетике . 136 (5). doi :10.1115/1.4026126.
  13. ^ researchgate.net
  14. ^ "Прогностика и управление здоровьем для специалистов по техническому обслуживанию - обзор, внедрение и оценка инструментов". Общество PHM . 2017-12-11 . Получено 2020-06-13 .
  15. ^ Санкарараман, Шанкар (2015). «Значение, интерпретация и количественная оценка неопределенности в прогнозировании и прогнозировании остаточного срока службы». Механические системы и обработка сигналов . 52–53. Elsevier BV: 228–247. Bibcode : 2015MSSP...52..228S. doi : 10.1016/j.ymssp.2014.05.029. ISSN  0888-3270.
  16. ^ Сан, Цзяньчжун; Цзо, Хунфу; Ван, Вэньбинь; Пехт, Майкл Г. (2014). «Снижение неопределенности прогнозирования путем объединения данных онлайн-мониторинга на основе модели деградации на основе пространства состояний». Механические системы и обработка сигналов . 45 (2). Elsevier BV: 396–407. Bibcode : 2014MSSP...45..396S. doi : 10.1016/j.ymssp.2013.08.022. ISSN  0888-3270.
  17. ^ Duong, Pham LT; Raghavan, Nagarajan (2017). «Количественная оценка неопределенности в прогностике: подход, основанный на полиномиальном хаосе, основанный на данных». Международная конференция IEEE по прогностике и управлению здравоохранением (ICPHM) 2017 г. IEEE. стр. 135–142. doi :10.1109/icphm.2017.7998318. ISBN 978-1-5090-5710-8.
  18. ^ Датун Лю; Юэ Ло; Юй Пэн (2012). «Обработка неопределенности в прогностике и управлении здоровьем: обзор». Труды конференции IEEE 2012 Prognostics and System Health Management Conference (PHM-2012 Beijing) . IEEE. стр. 1–6. doi :10.1109/phm.2012.6228860. ISBN 978-1-4577-1911-0.
  19. ^ Rocchetta, Roberto; Broggi, Matteo; Huchet, Quentin; Patelli, Edoardo (2018). «Обновление байесовской модели в режиме онлайн для мониторинга состояния конструкций». Механические системы и обработка сигналов . 103. Elsevier BV: 174–195. Bibcode : 2018MSSP..103..174R. doi : 10.1016/j.ymssp.2017.10.015. ISSN  0888-3270.
  20. ^ National Instruments. «Мониторинг состояния».
  21. ^ Advantech. «Webaccess».
  22. ^ National Instruments. «Watchdog Agent® Toolkit».
  23. ^ Predictronics. "Predictronics".
  24. ^ "Predictive Maintenance Toolbox". www.mathworks.com . Получено 2019-07-11 .
  25. ^ Wegerich, S. (2005). «Моделирование характеристик вибрации на основе подобия для обнаружения и идентификации неисправностей». Sensor Review . 25 (2): 114–122. doi :10.1108/02602280510585691.
  26. ^ Кларксон, С.А.; Бикфорд, Р.Л. (2013). «Классификация путей и оценка оставшегося срока службы для систем со сложными режимами отказа». Конференция MFPT .
  27. ^ Родригес, ЛР; Гомес, JPP; Ферри, ФАС; Медейрос, ИП; Гальвао, РКХ; Жуниор, CL Насименто (декабрь 2015 г.). «Использование информации PHM и системной архитектуры для оптимизированного планирования технического обслуживания самолетов». Системный журнал IEEE . 9 (4): 1197–1207. Бибкод : 2015ISysJ...9.1197R. doi : 10.1109/jsyst.2014.2343752. ISSN  1932-8184. S2CID  22285080.

Внешние ссылки