Prognostikk - Prognostics

Prognostics er en ingeniørdisiplin som fokuserer på å forutsi tidspunktet da et system eller en komponent ikke lenger vil utføre sin tiltenkte funksjon. Denne mangelen på ytelse er oftest en feil som systemet ikke lenger kan brukes til å oppfylle ønsket ytelse. Den forutsagte tiden blir deretter gjenværende levetid ( RUL ), som er et viktig begrep i beslutningsprosesser for å redusere beredskap. Prognostics forutsier den fremtidige ytelsen til en komponent ved å vurdere omfanget av avvik eller forringelse av et system fra dets forventede normale driftsforhold. Vitenskapen om prognostikk er basert på analyse av feilmoduser, påvisning av tidlige tegn på slitasje og aldring og feilforhold. En effektiv prognostikkløsning implementeres når det er god kunnskap om feilmekanismer som sannsynligvis vil forårsake forringelser som kan føre til eventuelle feil i systemet. Det er derfor nødvendig å ha første informasjon om mulige feil (inkludert nettstedet, modus, årsak og mekanisme) i et produkt. Slik kunnskap er viktig for å identifisere systemparametrene som skal overvåkes. Potensiell bruk av prognoser er i tilstandsbasert vedlikehold . Den disiplin som lenker studier av feilmekanismer mot systemet livssyklushåndtering er ofte referert til som prognostikk og helseledelse ( PHM ), noen ganger også system helseledelse ( SHM ) eller i transport programmer for kjøretøy helseledelse ( VHM ) eller motorhelseledelse ( EHM ). Tekniske tilnærminger til å bygge modeller i prognostikk kan i stor grad kategoriseres i datadrevne tilnærminger, modellbaserte tilnærminger og hybridmetoder.

Datadrevet prognostikk

Datadrevne prognoser bruker vanligvis mønstergjenkjenning og maskinlæringsteknikker for å oppdage endringer i systemtilstander. De klassiske datadrevne metodene for ikke-lineær systemprediksjon inkluderer bruk av stokastiske modeller som den autoregressive (AR) modellen, terskel AR-modellen, den bilineariske modellen, projeksjonsjakten, de multivariate adaptive regresjonssplines og Volterra-serieutvidelsen. Siden det siste tiåret har flere interesser for datadrevne systemstatusprognoser vært fokusert på bruk av fleksible modeller som forskjellige typer nevrale nettverk (NN) og neural fuzzy (NF) systemer. Datadrevne tilnærminger er passende når forståelsen av de første prinsippene for systemdrift ikke er omfattende eller når systemet er tilstrekkelig komplekst slik at det er uoverkommelig dyrt å utvikle en nøyaktig modell. Derfor er de viktigste fordelene med datadrevne tilnærminger at de ofte kan distribueres raskere og billigere sammenlignet med andre tilnærminger, og at de kan gi systemdekning (jf. Fysikkbaserte modeller, som kan være ganske smale i omfang). Den største ulempen er at datadrevne tilnærminger kan ha større konfidensintervaller enn andre tilnærminger, og at de krever en betydelig mengde data for trening. Datadrevne tilnærminger kan videre subkategoriseres i flåtebasert statistikk og sensorbasert kondisjonering. I tillegg bygger data-drevne teknikker også på syklus-tellende teknikker som kan inkludere domenekunnskap .

De to grunnleggende datadrevne strategiene innebærer (1) modellering av kumulativ skade (eller, tilsvarende, helse) og deretter ekstrapolering ut til en skade (eller helse) terskel, eller (2) å lære direkte av data den gjenværende levetiden. Som nevnt er en hovedflaskehals vanskeligheten med å skaffe kjøre-til-feil-data, spesielt for nye systemer, siden kjøring av systemer til feil kan være en lang og ganske kostbar prosess. Når fremtidig bruk ikke er det samme som tidligere (som med de fleste ikke-stasjonære systemer), blir det ofte nesten umulig å samle inn data som inkluderer alle mulige fremtidige bruksområder (både belastning og miljøforhold). Selv om det finnes data, er effekten av datadrevne tilnærminger ikke bare avhengig av mengden, men også av kvaliteten på systemdataene. Disse datakildene kan omfatte temperatur, trykk, oljerester, strømmer, spenninger, strøm, vibrasjon og akustisk signal, spektrometriske data samt kalibrering og kalorimetriske data. Dataene må ofte forhåndsbehandles før de kan brukes. Vanligvis utføres to prosedyrer i) Denoising og ii) Feature extraction. Denoising refererer til å redusere eller eliminere påvirkning av støy på data. Ekstrahering av funksjoner er viktig fordi i dagens datasultne verden blir enorme mengder data samlet inn ved hjelp av sensormåling som ikke kan brukes lett. Derfor brukes domenekunnskap og statistisk signalbehandling for å trekke ut viktige funksjoner fra (oftere enn ikke) støyende, høydimensjonale data.

Modellbasert prognose

Modellbasert prognostikk prøver å inkorporere fysisk forståelse (fysiske modeller) av systemet i estimeringen av gjenværende levetid (RUL). Modelleringsfysikk kan oppnås på forskjellige nivåer, for eksempel mikro- og makronivå. På mikronivå (også kalt materialnivå) er fysiske modeller legemliggjort av en rekke dynamiske ligninger som definerer forhold på en gitt tid eller belastningssyklus mellom skade (eller nedbrytning) av et system/komponent og miljø- og driftsforhold som systemet/komponenten betjenes. Mikronivåmodellene blir ofte referert til som skadeutbredelsesmodell. For eksempel er Yu og Harris livsstilsmodell for tretthet for kulelager, som relaterer utmattelseslevetiden til et lager til den induserte belastningen, Paris og Erdogans sprekkvekstmodell og stokastiske defektutbredelsesmodeller andre eksempler på modeller på mikronivå. Siden målinger av kritiske skadeegenskaper (for eksempel spenning eller belastning av en mekanisk komponent) sjelden er tilgjengelige, må registrerte systemparametere brukes for å utlede spennings-/belastningsverdiene. Modeller på mikronivå må i usikkerhetsstyringen redegjøre for forutsetninger og forenklinger, noe som kan utgjøre betydelige begrensninger for denne tilnærmingen.

Makronivåmodeller er den matematiske modellen på systemnivå, som definerer forholdet mellom systeminngangsvariabler, systemtilstandsvariabler og systemmåler variabler/utganger hvor modellen ofte er en noe forenklet representasjon av systemet, for eksempel en klumpet parametermodell . Avveiningen er økt dekning med muligens redusert nøyaktighet for en bestemt nedbrytningsmodus. Når denne avveining er tillatt, kan raskere prototyping være resultatet. Imidlertid, der systemene er komplekse (f.eks. En gassturbinmotor), kan til og med en makronivåmodell være en ganske tidkrevende og arbeidskrevende prosess. Som et resultat kan det hende at modeller på makronivå ikke er tilgjengelig i detalj for alle delsystemer. De resulterende forenklingene må redegjøres for usikkerhetsstyringen.

Hybride tilnærminger

Hybride tilnærminger prøver å utnytte styrken fra både datadrevne tilnærminger så vel som modellbaserte tilnærminger. I virkeligheten er det sjelden at feltmetodene er helt enten rent datadrevne eller rent modellbaserte. Oftere enn ikke inkluderer modellbaserte tilnærminger noen aspekter ved datadrevne tilnærminger, og datadrevne tilnærminger henter tilgjengelig informasjon fra modeller. Et eksempel for førstnevnte ville være der modellparametere er innstilt ved hjelp av feltdata. Et eksempel på sistnevnte er når settpunkt, skjevhet eller normaliseringsfaktor for en datadrevet tilnærming er gitt av modeller. Hybride tilnærminger kan i stor grad kategoriseres i to kategorier, 1) Pre-estimat fusjon og 2.) Post-estimat fusjon.

Foreslå sammensmelting av modeller og data

Motivasjonen for aggregering før estimat kan være at det ikke er tilgjengelige grunn sannhetsdata. Dette kan skje i situasjoner der diagnostikk gjør en god jobb med å oppdage feil som er løst (gjennom vedlikehold) før systemfeil oppstår. Derfor er det knapt noen kjøre-til-feil-data. Imidlertid er det insentiv til å vite bedre når et system ikke vil utnytte den gjenværende levetiden bedre, samtidig som du unngår uplanlagt vedlikehold (ikke -planlagt vedlikehold er vanligvis mer kostbart enn planlagt vedlikehold og resulterer i nedetid i systemet). Garga et al. beskrive konseptuelt en forhåndsestimert aggregeringshybrid-tilnærming der domenekunnskap brukes til å endre strukturen til et nevralnettverk, og dermed resultere i en mer sparsom representasjon av nettverket. En annen måte å oppnå forhåndsestimataggregasjonen er ved en kombinert off-line prosess og on-line prosess: I offline-modus kan man bruke en fysikkbasert simuleringsmodell for å forstå forholdene mellom sensorrespons og feiltilstand; I online-modus kan man bruke data til å identifisere gjeldende skadetilstand, deretter spore dataene for å karakterisere skadeforplantning, og til slutt bruke en individualisert datadrevet forplantningsmodell for gjenværende livsprediksjon. For eksempel modellerte Khorasgani et al. Fysikken til feil i elektrolytiske kondensatorer. Deretter brukte de en partikkelfiltertilnærming for å utlede den dynamiske formen til nedbrytingsmodellen og estimere den nåværende tilstanden til kondensatorhelsen. Denne modellen brukes deretter til å få en mer nøyaktig estimering av kondensatorenes gjenværende levetid (RUL) når de utsettes for termiske belastningsforhold.

Etter-estimering fusjon av modellbaserte tilnærminger med datadrevne tilnærminger

Motivasjon for fusjon etter estimat er ofte hensynet til usikkerhetsstyring. Det vil si at fusjonen etter estimering bidrar til å begrense usikkerhetsintervallene for datadrevne eller modellbaserte tilnærminger. Samtidig forbedres nøyaktigheten. Den underliggende oppfatningen er at flere informasjonskilder kan bidra til å forbedre ytelsen til en estimator. Dette prinsippet har blitt vellykket brukt i sammenheng med klassifiseringsfusjon der utdataene fra flere klassifiseringer brukes for å oppnå et bedre resultat enn noen klassifiserende alene. Innenfor prognostikk kan fusjon oppnås ved å benytte kvalitetsvurderinger som er tilordnet de enkelte estimatorene basert på en rekke innspill, for eksempel heuristikk, a priori kjent ytelse, prediksjonshorisont eller robusthet av prediksjonen.

Prognostisk evaluering av ytelse

Prognostisk ytelseevaluering er avgjørende for en vellykket distribusjon av PHM -systemer. Den tidlige mangelen på standardiserte metoder for ytelsesevaluering og referansedatasett resulterte i avhengighet av konvensjonelle ytelsesberegninger lånt fra statistikk. Disse beregningene var først og fremst nøyaktighet og presisjon basert på hvor ytelse evalueres mot slutten av livet, vanligvis kjent på forhånd i en frakoblet setting. Nylig har arbeidet med modning av prognostikkteknologi lagt et betydelig fokus på standardisering av prognostiske metoder, inkludert metoder for ytelsesvurdering. Et sentralt aspekt, som mangler i de konvensjonelle beregningene, er evnen til å spore ytelse over tid. Dette er viktig fordi prognostikk er en dynamisk prosess der spådommer oppdateres med en passende frekvens etter hvert som flere observasjonsdata blir tilgjengelige fra et operativsystem. På samme måte endres prediksjonens ytelse med tiden som må spores og kvantifiseres. Et annet aspekt som gjør denne prosessen annerledes i en PHM -kontekst, er tidsverdien til en RUL -prediksjon. Når et system nærmer seg fiasko, blir tidsvinduet for å iverksette korrigerende tiltak kortere, og følgelig blir nøyaktigheten av spådommer mer kritisk for beslutningstaking. Til slutt er tilfeldigheter og støy i prosessen, målinger og prediksjonsmodeller uunngåelige, og derfor innebærer prognoser uunngåelig usikkerhet i estimatene. En robust prognostisk ytelsesevaluering må inkludere effekten av denne usikkerheten.

Flere prognostiske ytelsesberegninger har utviklet seg med tanke på disse problemene:

• Prognostisk horisont (PH) kvantifiserer hvor mye på forhånd en algoritme kan forutsi med ønsket nøyaktighet før en feil oppstår. En lengre prognostisk horisont er å foretrekke ettersom mer tid er tilgjengelig for en korrigerende handling.
• α-λ nøyaktighet strammer ytterligere de ønskede nøyaktighetsnivåene ved å bruke en krympende kjegle med ønsket nøyaktighet når livets slutt nærmer seg. For alltid å overholde de ønskede α-λ- spesifikasjonene må en algoritme forbedre seg med tiden for å holde seg innenfor kjeglen.
• Relativ nøyaktighet kvantifiserer nøyaktigheten i forhold til den faktiske tiden som gjenstår før feil.
• Konvergens kvantifiserer hvor raskt ytelsen konvergerer for en algoritme når slutten av livet nærmer seg.

En visuell fremstilling av disse beregningene kan brukes til å skildre prognostisk ytelse over en lang tidshorisont.

Usikkerhet i prognosene

Det er mange usikkerhetsparametere som kan påvirke prediksjonens nøyaktighet. Disse kan kategoriseres som:

• Usikkerhet i systemparametere: dette gjelder usikkerheten i verdiene til systemets fysiske parametere (motstand, induktans, stivhet, kapasitans, etc.). Denne usikkerheten induseres av miljø- og driftsforholdene der systemet utvikler seg. Dette kan løses ved å bruke tilstrekkelige metoder som slike intervaller.
• Usikkerhet i nominell systemmodell: dette gjelder upresisjonene i de matematiske modellene som genereres for å representere systemets oppførsel. Disse unøyaktighetene (eller usikkerhetene) kan være et resultat av et sett med forutsetninger som ble brukt under modelleringsprosessen, og som fører til modeller som ikke passer akkurat til systemets virkelige oppførsel.
• Usikkerhet i systemnedbrytningsmodell: nedbrytningsmodellen kan hentes fra akselererte livstester som utføres på forskjellige dataprøver av en komponent. I praksis kan dataene som er innhentet ved akselererte livstester utført under de samme driftsbetingelsene, ha ulik nedbrytningstrend. Denne forskjellen i nedbrytningstrendene kan da betraktes som en usikkerhet i nedbrytingsmodellene som er avledet fra dataene knyttet til de akselererte livstestene.
• Usikkerhet i prediksjon: usikkerhet er iboende i enhver prediksjonsprosess. Eventuelle nominelle og/eller nedbrytingsmodellspådommer er unøyaktige, noe som påvirkes av flere usikkerheter, for eksempel usikkerhet i modellparametrene, miljøforholdene og fremtidige misjonsprofiler. Forutsigelsesusikkerheten kan takles ved å bruke Bayesiansk og online estimerings- og prediksjonsverktøy (f.eks. Partikkelfiltre og Kalman -filter etc.).
• Usikkerhet i feilgrenser: feilterskelen er viktig i alle feildeteksjons- og forutsigelsesmetoder. Det bestemmer tidspunktet da systemet mislykkes og dermed gjenværende levetid. I praksis er verdien av feilgrensen ikke konstant og kan endres med tiden. Det kan også endre seg i henhold til systemets art, driftsforhold og i miljøet som det utvikler seg. Alle disse parameterne induserer usikkerhet som bør vurderes i definisjonen av feilterskelen.

Eksempler på usikkerhetskvantifisering finnes i.

Kommersielle maskinvare- og programvareplattformer

For de fleste PHM -industrielle applikasjoner er kommersiell maskinvare og sensorer for henting av data vanligvis de mest praktiske og vanlige. Eksempler på kommersielle leverandører av maskinvare for datainnsamling inkluderer National Instruments og Advantech Webaccess; For visse applikasjoner kan maskinvaren imidlertid tilpasses eller robuste etter behov. Vanlige sensortyper for PHM -applikasjoner inkluderer akselerometre, temperatur, trykk, målinger av rotasjonshastighet ved bruk av kodere eller turtellere, elektriske målinger av spenning og strøm, akustisk utslipp, lastceller for kraftmålinger og forskyvning eller posisjonsmålinger. Det er mange sensorleverandører for disse målingstypene, noen har en bestemt produktlinje som er mer egnet for tilstandsovervåking og PHM -applikasjoner.

Dataanalysealgoritmene og mønstergjenkjenningsteknologi tilbys nå i noen kommersielle programvareplattformer eller som en del av en pakket programvareløsning. National Instruments har for tiden en prøveversjon (med en kommersiell utgivelse i det kommende året) av Watchdog Agent prognostiske verktøykasse, som er en samling av datadrevne PHM-algoritmer som ble utviklet av Center for Intelligent Maintenance Systems. Denne samlingen med over 20 verktøy lar en konfigurere og tilpasse algoritmene for signaturekstraksjon, anomalideteksjon, helsevurdering, feildiagnose og feilprognose for en gitt applikasjon etter behov. Skreddersydde prediktive overvåking av kommersielle løsninger ved hjelp av Watchdog Agent-verktøysettet tilbys nå av et nylig oppstartsselskap kalt Predictronics Corporation, der grunnleggerne var medvirkende til utvikling og anvendelse av denne PHM-teknologien ved Center for Intelligent Maintenance Systems. Et annet eksempel er MATLAB og Predictive Maintenance Toolbox som gir funksjoner og en interaktiv app for å utforske, trekke ut og rangere funksjoner ved hjelp av databaserte og modellbaserte teknikker, inkludert statistisk, spektral og tidsserieanalyse. Denne verktøykassen inneholder også referanseeksempler for motorer, girkasser, batterier og andre maskiner som kan brukes på nytt for å utvikle tilpassede forutsigbare vedlikeholds- og tilstandsovervåkingsalgoritmer. Andre kommersielle programvaretilbud fokuserer på noen få verktøy for påvisning av feil og feildiagnose, og tilbys vanligvis som en pakkeløsning i stedet for et verktøykasse -tilbud. Eksemplet inkluderer analysemetode for avvisning av anomali av smarte signaler, basert på modeller av autoassosiative typer (likhetsbasert modellering) som ser etter endringer i det nominelle korrelasjonsforholdet i signalene, beregner rester mellom forventet og faktisk ytelse, og deretter utfører hypotesetesting på residualen signaler (sekvensiell sannsynlighetsforholdstest). Lignende typer analysemetoder tilbys også av Expert Microsystems, som bruker en lignende auto-assosiativ kjernemetode for å beregne residualer, og har andre moduler for diagnose og prediksjon.

Prognoser på systemnivå

Mens de fleste prognostiske tilnærminger fokuserer på nøyaktig beregning av nedbrytningshastigheten og gjenværende levetid (RUL) for individuelle komponenter, er det hastigheten som ytelsen til delsystemer og systemer forringes som er av større interesse for operatører og vedlikeholdspersonell for disse systemer.

Se også

Merknader

Bibliografi

Elektronikk PHM

Eksterne linker