Prognósticos - Prognostics

Prognósticos é uma disciplina de engenharia focada em prever o momento em que um sistema ou componente não executará mais a função pretendida. Essa falta de desempenho é geralmente uma falha além da qual o sistema não pode mais ser usado para atender ao desempenho desejado. O tempo previsto passa a ser a vida útil remanescente ( RUL ), um conceito importante na tomada de decisão para mitigação de contingências. O prognóstico prevê o desempenho futuro de um componente avaliando a extensão do desvio ou degradação de um sistema em relação às condições normais de operação esperadas. A ciência do prognóstico é baseada na análise dos modos de falha, detecção dos primeiros sinais de desgaste e envelhecimento e condições de falha. Uma solução de prognóstico eficaz é implementada quando há conhecimento sólido dos mecanismos de falha que podem causar degradações que levam a eventuais falhas no sistema. Portanto, é necessário ter informações iniciais sobre as possíveis falhas (incluindo o site, modo, causa e mecanismo) em um produto. Esse conhecimento é importante para identificar os parâmetros do sistema que devem ser monitorados. Os usos potenciais para prognósticos são na manutenção baseada na condição . A disciplina que vincula estudos de mecanismos de falha ao gerenciamento do ciclo de vida do sistema é muitas vezes referida como gerenciamento de prognósticos e saúde ( PHM ), às vezes também gerenciamento de saúde do sistema ( SHM ) ou - em aplicações de transporte - gerenciamento de saúde do veículo ( VHM ) ou gerenciamento de saúde do motor ( EHM ). Abordagens técnicas para construir modelos em prognósticos podem ser categorizadas amplamente em abordagens baseadas em dados, abordagens baseadas em modelos e abordagens híbridas.

Prognósticos baseados em dados

Prognósticos baseados em dados geralmente usam reconhecimento de padrões e técnicas de aprendizado de máquina para detectar mudanças nos estados do sistema. Os métodos clássicos baseados em dados para previsão de sistema não linear incluem o uso de modelos estocásticos, como o modelo autoregressivo (AR), o modelo AR de limiar, o modelo bilinear, a busca de projeção, os splines de regressão adaptativa multivariada e a expansão da série Volterra. Desde a última década, mais interesses na previsão de estado do sistema baseada em dados têm se concentrado no uso de modelos flexíveis, como vários tipos de redes neurais (NNs) e sistemas nebulosos neurais (NF). Abordagens baseadas em dados são apropriadas quando a compreensão dos primeiros princípios de operação do sistema não é abrangente ou quando o sistema é suficientemente complexo de forma que desenvolver um modelo preciso é proibitivamente caro. Portanto, as principais vantagens das abordagens orientadas a dados é que muitas vezes podem ser implantadas de forma mais rápida e barata em comparação com outras abordagens, e que podem fornecer cobertura de todo o sistema (cf. modelos baseados em física, que podem ser bastante estreitos em escopo). A principal desvantagem é que as abordagens baseadas em dados podem ter intervalos de confiança mais amplos do que outras abordagens e exigem uma quantidade substancial de dados para treinamento. Abordagens baseadas em dados podem ser subcategorizadas em estatísticas baseadas em frota e condicionamento baseado em sensores. Além disso, as técnicas baseadas em dados também englobam técnicas de contagem cíclica que podem incluir conhecimento de domínio .

As duas estratégias básicas baseadas em dados envolvem (1) modelagem de danos cumulativos (ou, equivalentemente, saúde) e, em seguida, extrapolar para um limite de dano (ou saúde), ou (2) aprender diretamente dos dados a vida útil restante. Conforme mencionado, o principal gargalo é a dificuldade em obter dados de execução até a falha, em particular para novos sistemas, uma vez que executar sistemas até a falha pode ser um processo demorado e bastante caro. Quando o uso futuro não é o mesmo que no passado (como com a maioria dos sistemas não estacionários), a coleta de dados que inclui todos os usos futuros possíveis (carga e condições ambientais) torna-se quase impossível. Mesmo onde existem dados, a eficácia das abordagens baseadas em dados não depende apenas da quantidade, mas também da qualidade dos dados operacionais do sistema. Essas fontes de dados podem incluir temperatura, pressão, resíduos de óleo, correntes, tensões, energia, vibração e sinal acústico, dados espectrométricos, bem como calibração e dados calorimétricos. Os dados geralmente precisam ser pré-processados ​​antes de serem usados. Normalmente, dois procedimentos são executados: i) Denoising e ii) Extração de recursos. A eliminação de ruído refere-se à redução ou eliminação da influência do ruído nos dados. A extração de recursos é importante porque, no mundo atual, faminto por dados, uma grande quantidade de dados é coletada usando medição de sensor que pode não ser usada prontamente. Portanto, o conhecimento do domínio e o processamento estatístico de sinais são aplicados para extrair características importantes (na maioria das vezes) de dados de alta dimensão com ruído.

Prognósticos baseados em modelos

O prognóstico baseado em modelo tenta incorporar a compreensão física (modelos físicos) do sistema na estimativa da vida útil remanescente (RUL). A modelagem da física pode ser realizada em diferentes níveis, por exemplo, níveis micro e macro. No nível micro (também chamado de nível de material), os modelos físicos são incorporados por uma série de equações dinâmicas que definem relações, em um determinado momento ou ciclo de carga, entre dano (ou degradação) de um sistema / componente e condições ambientais e operacionais sob as quais o sistema / componente são operados. Os modelos de nível micro são freqüentemente chamados de modelo de propagação de danos. Por exemplo, o modelo de vida de fadiga de Yu e Harris para rolamentos de esferas, que relaciona a vida de fadiga de um rolamento à tensão induzida, o modelo de crescimento de trinca de Paris e Erdogan e o modelo de propagação de defeito estocástico são outros exemplos de modelos de nível micro. Uma vez que as medições das propriedades de danos críticos (como tensão ou deformação de um componente mecânico) raramente estão disponíveis, os parâmetros do sistema detectados devem ser usados ​​para inferir os valores de tensão / deformação. Os modelos de nível micro precisam levar em conta na gestão da incerteza as premissas e simplificações, que podem representar limitações significativas dessa abordagem.

Modelos de nível macro são o modelo matemático no nível do sistema, que define a relação entre as variáveis ​​de entrada do sistema, variáveis ​​de estado do sistema e variáveis ​​/ saídas de medidas do sistema, onde o modelo é muitas vezes uma representação um tanto simplificada do sistema, por exemplo, um modelo de parâmetro concentrado . A compensação é o aumento da cobertura com a possível redução da precisão de um modo de degradação específico. Onde essa compensação for permitida, uma prototipagem mais rápida pode ser o resultado. No entanto, onde os sistemas são complexos (por exemplo, um motor de turbina a gás), mesmo um modelo de nível macro pode ser um processo bastante demorado e trabalhoso. Como resultado, os modelos de nível macro podem não estar disponíveis em detalhes para todos os subsistemas. As simplificações resultantes devem ser levadas em consideração pela gestão da incerteza.

Abordagens híbridas

As abordagens híbridas tentam alavancar a força de ambas as abordagens baseadas em dados e também baseadas em modelos. Na realidade, é raro que as abordagens de campo sejam totalmente baseadas em dados ou baseadas em modelos. Na maioria das vezes, as abordagens baseadas em modelos incluem alguns aspectos das abordagens baseadas em dados e abordagens baseadas em dados coletam informações disponíveis dos modelos. Um exemplo para o primeiro seria onde os parâmetros do modelo são ajustados usando dados de campo. Um exemplo para o último é quando o ponto de ajuste, tendência ou fator de normalização para uma abordagem baseada em dados é fornecido por modelos. As abordagens híbridas podem ser categorizadas amplamente em duas categorias, 1) Fusão pré-estimativa e 2.) Fusão pós-estimativa.

Fusão de pré-estimativa de modelos e dados

A motivação para a agregação de pré-estimativa pode ser que nenhum dado de verdade terrestre esteja disponível. Isso pode ocorrer em situações em que o diagnóstico faz um bom trabalho na detecção de falhas que são resolvidas (por meio de manutenção) antes que a falha do sistema ocorra. Portanto, dificilmente existem dados executados até a falha. No entanto, há um incentivo para saber melhor quando um sistema deixaria de aproveitar melhor a vida útil restante e, ao mesmo tempo, evita a manutenção não programada (a manutenção não programada normalmente é mais cara do que a programada e resulta em tempo de inatividade do sistema). Garga et al. descrever conceitualmente uma abordagem híbrida de agregação de pré-estimativa em que o conhecimento do domínio é usado para alterar a estrutura de uma rede neural, resultando assim em uma representação mais parcimoniosa da rede. Outra maneira de realizar a agregação de pré-estimativa é por um processo combinado off-line e um processo on-line: No modo off-line, pode-se usar um modelo de simulação baseado em física para entender as relações da resposta do sensor ao estado de falha; No modo on-line, pode-se usar dados para identificar o estado de dano atual, rastrear os dados para caracterizar a propagação de dano e, finalmente, aplicar um modelo de propagação orientado a dados individualizado para a previsão de vida restante. Por exemplo, Khorasgani et al modelaram a física da falha em capacitores eletrolíticos. Em seguida, eles usaram uma abordagem de filtro de partículas para derivar a forma dinâmica do modelo de degradação e estimar o estado atual da integridade do capacitor. Este modelo é então usado para obter uma estimativa mais precisa da Vida Útil Remanescente (RUL) dos capacitores, uma vez que estão sujeitos às condições de estresse térmico.

Fusão pós-estimativa de abordagens baseadas em modelos com abordagens baseadas em dados

A motivação para a fusão pós-estimativa geralmente é a consideração do gerenciamento da incerteza. Ou seja, a fusão pós-estimativa ajuda a estreitar os intervalos de incerteza de abordagens orientadas por dados ou baseadas em modelos. Ao mesmo tempo, a precisão melhora. A noção subjacente é que várias fontes de informação podem ajudar a melhorar o desempenho de um estimador. Este princípio foi aplicado com sucesso no contexto da fusão do classificador, onde a saída de vários classificadores é usada para chegar a um resultado melhor do que qualquer classificador sozinho. Dentro do contexto de prognósticos, a fusão pode ser realizada empregando avaliações de qualidade que são atribuídas aos estimadores individuais com base em uma variedade de entradas, por exemplo, heurísticas, desempenho conhecido a priori, horizonte de predição ou robustez da predição.

Avaliação de desempenho prognóstico

A avaliação do desempenho prognóstico é de importância fundamental para uma implantação bem-sucedida do sistema PHM. A falta inicial de métodos padronizados para avaliação de desempenho e conjuntos de dados de referência resultou na confiança em métricas de desempenho convencionais emprestadas de estatísticas. Essas métricas eram principalmente exatidão e precisão com base em que o desempenho é avaliado em relação ao fim da vida útil, normalmente conhecido a priori em um ambiente off-line. Mais recentemente, os esforços para amadurecer a tecnologia de prognóstico colocaram um foco significativo na padronização de métodos de prognóstico, incluindo aqueles de avaliação de desempenho. Um aspecto-chave, ausente nas métricas convencionais, é a capacidade de rastrear o desempenho com o tempo. Isso é importante porque o prognóstico é um processo dinâmico em que as previsões são atualizadas com uma frequência apropriada à medida que mais dados de observação se tornam disponíveis a partir de um sistema operacional. Da mesma forma, o desempenho da previsão muda com o tempo, que deve ser rastreado e quantificado. Outro aspecto que torna esse processo diferente em um contexto de PHM é o valor de tempo de uma previsão RUL. Conforme um sistema se aproxima da falha, a janela de tempo para tomar uma ação corretiva fica mais curta e, consequentemente, a precisão das previsões torna-se mais crítica para a tomada de decisão. Finalmente, aleatoriedade e ruído no processo, medições e modelos de previsão são inevitáveis ​​e, portanto, o prognóstico inevitavelmente envolve incerteza em suas estimativas. Uma avaliação robusta de desempenho de prognósticos deve incorporar os efeitos dessa incerteza.

Diversas métricas de desempenho de prognósticos evoluíram com a consideração dessas questões:

• O horizonte prognóstico (PH) quantifica com quanto antecedência um algoritmo pode prever com uma precisão desejada antes que ocorra uma falha. É preferível um horizonte de prognóstico mais longo, pois há mais tempo disponível para uma ação corretiva.
• A precisão α-λ aperta ainda mais os níveis de precisão desejados usando um cone de encolhimento da precisão desejada conforme o fim da vida útil se aproxima. Para cumprir as especificações α-λ desejadas em todos os momentos, um algoritmo deve melhorar com o tempo para permanecer dentro do cone.
• A precisão relativa quantifica a precisão relativa ao tempo real restante antes da falha.
• A convergência quantifica a rapidez com que o desempenho converge para um algoritmo à medida que o fim da vida útil se aproxima.

Uma representação visual dessas métricas pode ser usada para descrever o desempenho do prognóstico em um longo horizonte de tempo.

Incerteza no prognóstico

Existem muitos parâmetros de incerteza que podem influenciar a precisão da previsão. Eles podem ser categorizados como:

• Incerteza nos parâmetros do sistema: trata-se da incerteza nos valores dos parâmetros físicos do sistema (resistência, indutância, rigidez, capacitância, etc.). Essa incerteza é induzida pelas condições ambientais e operacionais em que o sistema evolui. Isso pode ser resolvido usando métodos adequados, como os de intervalo.
• Incerteza no modelo do sistema nominal: trata-se das imprecisões nos modelos matemáticos gerados para representar o comportamento do sistema. Essas imprecisões (ou incertezas) podem ser o resultado de um conjunto de premissas utilizadas durante o processo de modelagem e que levam a modelos que não se ajustam exatamente ao comportamento real do sistema.
• Incerteza no modelo de degradação do sistema: o modelo de degradação pode ser obtido a partir de testes de vida acelerada que são conduzidos em diferentes amostras de dados de um componente. Na prática, os dados obtidos por testes de vida acelerada realizados nas mesmas condições operacionais podem ter tendências de degradação diferentes. Essa diferença nas tendências de degradação pode então ser considerada uma incerteza nos modelos de degradação derivados dos dados relacionados aos testes de vida acelerada.
• Incerteza na previsão: a incerteza é inerente a qualquer processo de previsão. Quaisquer previsões do modelo nominal e / ou de degradação são imprecisas, o que é impactado por várias incertezas, como incerteza nos parâmetros do modelo, as condições ambientais e os perfis de missão futura. A incerteza da previsão pode ser resolvida usando ferramentas de previsão e estimativa Bayesiana e online (por exemplo, Filtros de Partículas e Filtro de Kalman, etc.).
• Incerteza nos limites de falha: o limite de falha é importante em qualquer detecção de falha e métodos de previsão. Determina o momento em que o sistema falha e, conseqüentemente, a vida útil restante. Na prática, o valor do limite de falha não é constante e pode mudar com o tempo. Também pode mudar de acordo com a natureza do sistema, as condições de operação e o ambiente em que se desenvolve. Todos esses parâmetros induzem incerteza que deve ser considerada na definição do limite de falha.

Exemplos de quantificação de incerteza podem ser encontrados em.

Plataformas comerciais de hardware e software

Para a maioria das aplicações industriais de PHM, sensores e hardware de aquisição de dados de prateleira comercial são normalmente os mais práticos e comuns. Exemplos de fornecedores comerciais para hardware de aquisição de dados incluem National Instruments e Advantech Webaccess; entretanto, para certas aplicações, o hardware pode ser personalizado ou reforçado conforme necessário. Os tipos de sensores comuns para aplicações de PHM incluem acelerômetros, temperatura, pressão, medições de velocidade rotacional usando codificadores ou tacômetros, medições elétricas de tensão e corrente, emissão acústica, células de carga para medições de força e medições de deslocamento ou posição. Existem vários fornecedores de sensores para esses tipos de medição, alguns com uma linha de produtos específica que é mais adequada para monitoramento de condição e aplicações de PHM.

Os algoritmos de análise de dados e a tecnologia de reconhecimento de padrões agora estão sendo oferecidos em algumas plataformas de software comerciais ou como parte de uma solução de software em pacote. A National Instruments possui atualmente uma versão de teste (com lançamento comercial no próximo ano) do kit de ferramentas de prognóstico Watchdog Agent, que é uma coleção de algoritmos de PHM baseados em dados que foram desenvolvidos pelo Center for Intelligent Maintenance Systems. Essa coleção de mais de 20 ferramentas permite configurar e personalizar os algoritmos para extração de assinaturas, detecção de anomalias, avaliação de integridade, diagnóstico de falhas e previsão de falhas para um determinado aplicativo, conforme necessário. Soluções comerciais de monitoramento preditivo personalizadas usando o kit de ferramentas Watchdog Agent agora estão sendo oferecidas por uma empresa start-up recente chamada Predictronics Corporation, na qual os fundadores foram fundamentais no desenvolvimento e aplicação desta tecnologia PHM no Center for Intelligent Maintenance Systems. Outro exemplo é o MATLAB e sua caixa de ferramentas de manutenção preditiva, que fornece funções e um aplicativo interativo para explorar, extrair e classificar recursos usando técnicas baseadas em dados e modelos, incluindo análise estatística, espectral e de série temporal. Esta caixa de ferramentas também inclui exemplos de referência para motores, caixas de engrenagens, baterias e outras máquinas que podem ser reutilizadas para desenvolver manutenção preditiva personalizada e algoritmos de monitoramento de condição. Outras ofertas de software comercial se concentram em algumas ferramentas para detecção de anomalias e diagnóstico de falhas e são normalmente oferecidas como uma solução de pacote em vez de uma oferta de kit de ferramentas. O exemplo inclui o método analítico de detecção de anomalias de sinais inteligentes, com base em modelos de tipo auto-associativo (modelagem baseada em similaridade) que procuram mudanças na relação de correlação nominal nos sinais, calcula os resíduos entre o desempenho esperado e real e, em seguida, executa o teste de hipótese no resíduo sinais (teste de razão de probabilidade sequencial). Tipos semelhantes de métodos de análise também são oferecidos pela Expert Microsystems, que usa um método kernel auto-associativo semelhante para calcular resíduos e tem outros módulos para diagnóstico e previsão.

Prognósticos em nível de sistema

Enquanto a maioria das abordagens de prognóstico enfocam o cálculo preciso da taxa de degradação e da vida útil remanescente (RUL) de componentes individuais, é a taxa na qual o desempenho dos subsistemas e sistemas se degradam que é de maior interesse para os operadores e pessoal de manutenção destes sistemas.

Veja também

Notas

Bibliografia

Eletrônica PHM

links externos