Prognostik - Prognostics

Prognostics er en ingeniørdisciplin, der fokuserer på at forudsige det tidspunkt, hvor et system eller en komponent ikke længere vil udføre den tilsigtede funktion. Denne mangel på ydeevne er oftest en fejl, ud over hvilken systemet ikke længere kan bruges til at imødekomme den ønskede ydelse. Den forudsagte tid bliver derefter den resterende brugstid ( RUL ), hvilket er et vigtigt begreb i beslutningstagningen til beredskabsbegrænsning. Prognostics forudsiger en komponents fremtidige ydeevne ved at vurdere omfanget af afvigelse eller nedbrydning af et system fra dets forventede normale driftsbetingelser. Videnskaben om prognostik er baseret på analyse af fejltilstande, påvisning af tidlige tegn på slid og ældning og fejltilstande. En effektiv prognostisk løsning implementeres, når der er solid viden om de fejlmekanismer, der sandsynligvis vil forårsage degraderinger, der kan føre til eventuelle fejl i systemet. Det er derfor nødvendigt at have indledende oplysninger om de mulige fejl (herunder stedet, tilstand, årsag og mekanisme) i et produkt. Sådan viden er vigtig for at identificere de systemparametre, der skal overvåges. Potentielle anvendelser til prognostik er ved tilstandsbaseret vedligeholdelse . Den disciplin, der links studier af brudmekanismer til systemet lifecycle management ofte omtales som prognosticering og sundhedsledelse ( PHM ), undertiden også systemet sundhedsledelse ( SHM ) eller-i transport Applications køretøj sundhedsledelse ( VHM ) eller motor sundhedsledelse ( EHM ). Tekniske tilgange til opbygning af modeller i prognostik kan kategoriseres bredt i datadrevne tilgange, modelbaserede tilgange og hybridmetoder.

Datadrevet prognostik

Datadrevne prognoser bruger normalt mønstergenkendelse og maskinlæringsteknikker til at registrere ændringer i systemtilstande. De klassiske datadrevne metoder til ikke-lineær systemforudsigelse omfatter brug af stokastiske modeller såsom den autoregressive (AR) model, tærskel AR modellen, den bilinear model, projektionsforfølgelsen, de multivariate adaptive regression splines og Volterra serien ekspansion. Siden det sidste årti har flere interesser i datadrevne systemstatusprognoser været fokuseret på brugen af ​​fleksible modeller såsom forskellige typer neurale netværk (NN'er) og neurale fuzzy (NF) systemer. Datadrevne tilgange er passende, når forståelsen af ​​de første principper for systemdrift ikke er omfattende, eller når systemet er tilstrækkeligt komplekst, så det er uoverkommeligt dyrt at udvikle en nøjagtig model. Derfor er de væsentligste fordele ved datadrevne tilgange, at de ofte kan implementeres hurtigere og billigere i forhold til andre tilgange, og at de kan give systemdækning (jf. Fysikbaserede modeller, som kan være ret snævre i omfang). Den største ulempe er, at datadrevne tilgange kan have større konfidensintervaller end andre tilgange, og at de kræver en betydelig mængde data til træning. Datadrevne tilgange kan yderligere underkategoriseres i flådebaseret statistik og sensorbaseret konditionering. Derudover understøtter datadrevne teknikker også cyklustællingsteknikker, der kan omfatte domænekendskab .

De to grundlæggende datadrevne strategier involverer (1) modellering af kumulativ skade (eller ækvivalent sundhed) og derefter ekstrapolering til en skade (eller sundheds) tærskel, eller (2) direkte at lære af data den resterende brugstid. Som nævnt er en hovedflaskehals vanskeligheden ved at opnå data fra run-to-failure-data, især for nye systemer, da det kan være en lang og temmelig dyr proces at køre systemer til fejl. Når fremtidig brug ikke er det samme som tidligere (som med de fleste ikke-stationære systemer), bliver det ofte næsten umuligt at indsamle data, der omfatter alle mulige fremtidige anvendelser (både belastning og miljøforhold). Selv når der findes data, er effektiviteten af ​​datadrevne tilgange ikke kun afhængig af mængden, men også af kvaliteten af ​​systemdriftsdata. Disse datakilder kan omfatte temperatur, tryk, olierester, strømme, spændinger, effekt, vibrationer og akustisk signal, spektrometriske data samt kalibrering og kalorimetriske data. Dataene skal ofte forbehandles, før de kan bruges. Typisk udføres to procedurer i) Denoising og ii) Feature -ekstraktion. Denoising refererer til at reducere eller eliminere støjens indflydelse på data. Funktionsudtrækning er vigtig, fordi i dagens datahungrige verden indsamles enorme mængder data ved hjælp af sensormåling, der muligvis ikke bruges let. Derfor anvendes domænekendskab og statistisk signalbehandling til at udtrække vigtige funktioner fra (oftere end ikke) støjende, højdimensionelle data.

Modelbaseret prognose

Modelbaseret prognostik forsøger at indarbejde fysisk forståelse (fysiske modeller) af systemet i estimeringen af ​​resterende levetid (RUL). Modelleringsfysik kan opnås på forskellige niveauer, for eksempel mikro- og makroniveauer. På mikroniveau (også kaldet materialeniveau) er fysiske modeller legemliggjort af en række dynamiske ligninger, der definerer relationer på et givet tidspunkt eller en belastningscyklus mellem skader (eller nedbrydning) af et system/komponent og miljø- og driftsbetingelser, hvorunder systemet/komponenten betjenes. Mikroniveau-modellerne omtales ofte som skadeformidlingsmodel. F.eks. Er Yu og Harris 'træthedslivsmodel for kuglelejer, som relaterer lejets træthedstid til den inducerede stress, Paris og Erdogans revneudviklingsmodel og stokastisk defekt-formeringsmodel andre eksempler på modeller på mikroniveau. Da målinger af kritiske skadeegenskaber (såsom spænding eller belastning af en mekanisk komponent) sjældent er tilgængelige, skal registrerede systemparametre bruges til at udlede spændings-/belastningsværdierne. Mikroniveau-modeller skal i usikkerhedsstyringen redegøre for antagelser og forenklinger, som kan udgøre betydelige begrænsninger ved denne tilgang.

Makroniveau-modeller er den matematiske model på systemniveau, som definerer forholdet mellem systeminputvariabler, systemtilstandsvariabler og systemmåler variabler/output, hvor modellen ofte er en noget forenklet repræsentation af systemet, for eksempel en klumpet parametermodel . Afvejningen er øget dækning med muligvis reducerende nøjagtighed af en bestemt nedbrydningstilstand. Hvor denne afvejning er tilladt, kan hurtigere prototyper være resultatet. Men hvor systemer er komplekse (f.eks. En gasturbinemotor), kan selv en model på makroniveau være en temmelig tidskrævende og arbejdskrævende proces. Som følge heraf er modeller på makroniveau muligvis ikke tilgængelige i detaljer for alle undersystemer. De resulterende forenklinger skal redegøres for ved usikkerhedsstyringen.

Hybride tilgange

Hybride tilgange forsøger at udnytte styrken fra både datadrevne tilgange samt modelbaserede tilgange. I virkeligheden er det sjældent, at de anvendte tilgange er helt enten rent datadrevne eller rent modelbaserede. Oftere end ikke inkluderer modelbaserede tilgange nogle aspekter af datadrevne tilgange, og datadrevne tilgange henter tilgængelig information fra modeller. Et eksempel på førstnævnte ville være, hvor modelparametre er indstillet ved hjælp af feltdata. Et eksempel på sidstnævnte er, når set-point, bias eller normaliseringsfaktor for en datadrevet tilgang er givet af modeller. Hybride tilgange kan kategoriseres i store træk i to kategorier, 1) Forud-estimeret fusion og 2.) Efter-skøn fusion.

Forud-estimer sammensmeltning af modeller og data

Motivationen for aggregering forud for skøn kan være, at der ikke er tilgængelige grundsandsdata. Dette kan forekomme i situationer, hvor diagnostik gør et godt stykke arbejde med at opdage fejl, der er løst (vedligeholdelse), før der opstår systemfejl. Derfor er der næsten ingen data, der kører til fejl. Der er imidlertid incitament til at vide bedre, hvornår et system ikke ville bedre udnytte den resterende levetid, samtidig med at man undgår uplanlagt vedligeholdelse (uplanlagt vedligeholdelse er typisk dyrere end planlagt vedligeholdelse og resulterer i systemnedetid). Garga et al. beskrive konceptuelt en præ-estimeret aggregeringshybridmetode, hvor domænekendskab bruges til at ændre strukturen i et neuralt netværk, hvilket resulterer i en mere sparsom repræsentation af netværket. En anden måde at udføre præ-estimat-aggregeringen på er ved en kombineret off-line proces og on-line proces: I off-line-tilstand kan man bruge en fysikbaseret simuleringsmodel til at forstå relationerne mellem sensorrespons og fejltilstand; I onlinetilstand kan man bruge data til at identificere den aktuelle skadetilstand, derefter spore dataene for at karakterisere skadeudbredelse og til sidst anvende en individualiseret datadrevet udbredelsesmodel til forudsigelse af resterende liv. For eksempel modellerede Khorasgani et al. Fejlenes fysik i elektrolytkondensatorer. Derefter brugte de en partikelfiltermetode til at udlede den dynamiske form for nedbrydningsmodellen og estimere den aktuelle tilstand af kondensators sundhed. Denne model bruges derefter til at få en mere nøjagtig vurdering af kondensatorernes resterende brugstid (RUL), da de udsættes for termiske belastningsbetingelser.

Efter-skøn fusion af modelbaserede tilgange med datadrevne tilgange

Motivation for fusion efter skøn er ofte hensynet til usikkerhedsstyring. Det vil sige, at fusionen efter skøn hjælper med at indsnævre usikkerhedsintervallerne for datadrevne eller modelbaserede tilgange. Samtidig forbedres nøjagtigheden. Den bagvedliggende forestilling er, at flere informationskilder kan bidrage til at forbedre en estimators ydeevne. Dette princip er blevet anvendt med succes i forbindelse med klassificeringsfusion, hvor output fra flere klassifikatorer bruges til at opnå et bedre resultat end nogen klassifikator alene. Inden for prognostikken kan fusion opnås ved at anvende kvalitetsvurderinger, der tildeles de enkelte estimatorer baseret på en række forskellige input, f.eks. Heuristik, en forudgående kendt præstation, forudsigelseshorisont eller forudsigelsens robusthed.

Prognostisk evaluering af ydeevne

Prognostisk evaluering af ydeevne er af afgørende betydning for en vellykket implementering af PHM -systemer. Den tidlige mangel på standardiserede metoder til evaluering af præstationer og benchmark-datasæt resulterede i afhængighed af konventionelle præstationsmålinger lånt fra statistikker. Disse metrics var primært nøjagtighed og præcision baseret, hvor ydeevnen evalueres mod slutningen af ​​livet, typisk kendt på forhånd i en offline indstilling. For nylig har bestræbelser på at modne prognostiske teknologier lagt et betydeligt fokus på standardisering af prognostiske metoder, herunder metoder til præstationsvurdering. Et vigtigt aspekt, der mangler i de konventionelle metrics, er evnen til at spore ydelse med tiden. Dette er vigtigt, fordi prognostik er en dynamisk proces, hvor forudsigelser opdateres med en passende frekvens, efterhånden som flere observationsdata bliver tilgængelige fra et operativsystem. På samme måde ændres forudsigelsens ydeevne med tiden, der skal spores og kvantificeres. Et andet aspekt, der gør denne proces anderledes i en PHM -kontekst, er tidsværdien af ​​en RUL -forudsigelse. Når et system nærmer sig fiasko, bliver tidsvinduet til at foretage en korrigerende handling kortere, og derfor bliver forudsigelsernes nøjagtighed mere kritisk for beslutningstagning. Endelig er tilfældigheder og støj i processen, målinger og forudsigelsesmodeller uundgåelige, og derfor indebærer prognoser uundgåeligt usikkerhed i sine estimater. En robust prognostisk præstationsvurdering skal inkorporere virkningerne af denne usikkerhed.

Flere prognostiske præstationsmålinger har udviklet sig med hensyn til disse spørgsmål:

• Prognostisk horisont (PH) kvantificerer, hvor meget på forhånd en algoritme kan forudsige med en ønsket nøjagtighed, før der opstår en fejl. En længere prognostisk horisont foretrækkes, da der derefter er mere tid til rådighed for en korrigerende handling.
• α-λ nøjagtighed strammer yderligere de ønskede nøjagtighedsniveauer ved hjælp af en krympende kegle med ønsket nøjagtighed, når levetiden nærmer sig. For altid at overholde de ønskede α-λ- specifikationer skal en algoritme forbedres med tiden for at blive inden for keglen.
• Relativ nøjagtighed kvantificerer nøjagtigheden i forhold til den faktiske resterende tid før fejl.
• Konvergens kvantificerer, hvor hurtigt ydelsen konvergerer for en algoritme, når levetiden nærmer sig.

En visuel repræsentation af disse metrik kan bruges til at skildre prognostisk ydeevne over en lang tidshorisont.

Usikkerhed i prognoserne

Der er mange usikkerhedsparametre, der kan påvirke forudsigelsesnøjagtigheden. Disse kan kategoriseres som:

• Usikkerhed i systemparametre: dette vedrører usikkerheden i værdierne for systemets fysiske parametre (modstand, induktans, stivhed, kapacitans osv.). Denne usikkerhed skyldes de miljø- og driftsbetingelser, hvor systemet udvikler sig. Dette kan tackles ved hjælp af passende metoder, f.eks. Intervalintervaller.
• Usikkerhed i den nominelle systemmodel: dette vedrører de unøjagtigheder i de matematiske modeller, der genereres for at repræsentere systemets adfærd. Disse upræciseringer (eller usikkerheder) kan være resultatet af et sæt forudsætninger, der blev brugt under modelleringsprocessen, og som fører til modeller, der ikke præcist passer til systemets virkelige adfærd.
• Usikkerhed i systemnedbrydningsmodel: nedbrydningsmodellen kan opnås ved hjælp af accelererede livstests, der udføres på forskellige dataprøver af en komponent. I praksis kan de data, der opnås ved accelererede livstests udført under de samme driftsbetingelser, have en anden nedbrydningstendens. Denne forskel i nedbrydningstendenserne kan derefter betragtes som en usikkerhed i nedbrydningsmodellerne, der stammer fra dataene vedrørende de accelererede livstests.
• Usikkerhed i forudsigelse: usikkerhed er iboende for enhver forudsigelsesproces. Enhver forudsigelse af nominelle og/eller nedbrydningsmodeller er unøjagtige, hvilket påvirkes af flere usikkerheder, såsom usikkerhed i modelparametrene, miljøforholdene og de fremtidige missionsprofiler. Forudsigelsesusikkerheden kan tackles ved hjælp af bayesiske og online estimerings- og forudsigelsesværktøjer (f.eks. Partikelfiltre og Kalman -filter osv.).
• Usikkerhed i fejltærskler: fejlgrænsen er vigtig i enhver fejldetekterings- og forudsigelsesmetode. Det bestemmer det tidspunkt, hvor systemet mislykkes, og dermed den resterende levetid. I praksis er værdien af ​​fejlgrænsen ikke konstant og kan ændre sig med tiden. Det kan også ændre sig i henhold til systemets art, driftsbetingelser og i det miljø, det udvikler sig. Alle disse parametre fremkalder usikkerhed, som bør overvejes i definitionen af ​​fejlgrænsen.

Eksempler på usikkerhedskvantificering kan findes i.

Kommercielle hardware- og softwareplatforme

For de fleste PHM -industrielle applikationer er kommerciel hardware til indsamling af data til hylden og sensorer normalt den mest praktiske og almindelige. Eksempel på kommercielle leverandører af hardware til dataindsamling omfatter National Instruments og Advantech Webaccess; Men for visse applikationer kan hardwaren tilpasses eller robuste efter behov. Almindelige sensortyper til PHM -applikationer omfatter accelerometre, temperatur, tryk, målinger af rotationshastighed ved hjælp af encodere eller omdrejningstællere, elektriske målinger af spænding og strøm, akustisk emission, vejeceller til kraftmålinger og forskydning eller positionsmålinger. Der er mange sensorleverandører til disse målingstyper, hvor nogle har en specifik produktlinje, der er mere velegnet til tilstandsovervågning og PHM -applikationer.

Dataanalysealgoritmerne og mønstergenkendelsesteknologi tilbydes nu i nogle kommercielle softwareplatforme eller som en del af en pakket softwareløsning. National Instruments har i øjeblikket en prøveversion (med en kommerciel udgivelse i det kommende år) af Watchdog Agent prognostiske værktøjskasse, som er en samling af datadrevne PHM-algoritmer, der blev udviklet af Center for Intelligent Maintenance Systems. Denne samling på over 20 værktøjer gør det muligt for en at konfigurere og tilpasse algoritmerne til signaturudtrækning, detektering af anomali, sundhedsvurdering, fejldiagnose og fejlforudsigelse for en given applikation efter behov. Tilpassede prædiktive overvågning af kommercielle løsninger ved hjælp af Watchdog Agent-værktøjssættet tilbydes nu af et nystartet firma kaldet Predictronics Corporation, hvor grundlæggerne var med til at udvikle og anvende denne PHM-teknologi i Center for Intelligent Maintenance Systems. Et andet eksempel er MATLAB og dets værktøjskasse til forudsigelig vedligeholdelse, der indeholder funktioner og en interaktiv app til at udforske, udtrække og rangere funktioner ved hjælp af databaserede og modelbaserede teknikker, herunder statistisk, spektral og tidsserieanalyse. Denne værktøjskasse indeholder også referenceeksempler til motorer, gearkasser, batterier og andre maskiner, der kan genbruges til at udvikle brugerdefinerede forudsigelige vedligeholdelses- og tilstandsovervågningsalgoritmer. Andre kommercielle softwaretilbud fokuserer på et par værktøjer til detektering af fejl og fejldiagnose og tilbydes typisk som en pakkeløsning i stedet for et værktøjssæt. Eksemplet omfatter analysemetode for detektering af anomali-opdagelse af smarte signaler, baseret på auto-associative typemodeller (lighedsbaseret modellering), der leder efter ændringer i det nominelle korrelationsforhold i signalerne, beregner residualer mellem forventet og faktisk ydeevne og derefter udfører hypotesetestning på den resterende signaler (sekventiel sandsynlighedsforholdstest). Lignende typer analysemetoder tilbydes også af Expert Microsystems, der anvender en lignende auto-associativ kernemetode til beregning af residualer og har andre moduler til diagnose og forudsigelse.

Prognoser på systemniveau

Mens de fleste prognostiske tilgange fokuserer på nøjagtig beregning af nedbrydningshastigheden og den resterende brugstid (RUL) for individuelle komponenter, er det den hastighed, hvormed ydelsen af ​​delsystemer og systemer forringes, der er af større interesse for operatører og vedligeholdelsespersonale i disse systemer.

Se også

Noter

Bibliografi

Elektronik PHM

eksterne links