Prognostice - Prognostics

Prognosticul este o disciplină de inginerie axată pe prezicerea momentului în care un sistem sau o componentă nu își vor mai îndeplini funcția dorită. Această lipsă de performanță este cel mai adesea un eșec dincolo de care sistemul nu mai poate fi utilizat pentru a satisface performanța dorită. Timpul prezis devine apoi viața utilă rămasă ( RUL ), care este un concept important în luarea deciziilor pentru atenuarea contingenței. Prognosticul prezice performanța viitoare a unei componente prin evaluarea gradului de deviere sau degradare a unui sistem față de condițiile sale normale de funcționare așteptate. Știința prognosticului se bazează pe analiza modurilor de defecțiune, detectarea semnelor timpurii de uzură și îmbătrânire și a condițiilor de defecțiune. O soluție eficientă de prognostic este implementată atunci când există cunoștințe solide despre mecanismele de eșec care pot provoca degradări care duc la eventuale eșecuri în sistem. Prin urmare, este necesar să aveți informații inițiale despre posibilele defecțiuni (inclusiv site-ul, modul, cauza și mecanismul) într-un produs. Astfel de cunoștințe sunt importante pentru a identifica parametrii sistemului care urmează să fie monitorizați. Utilizările potențiale pentru prognostici sunt în condiții de întreținere . Disciplina care leagă studiile mecanismelor de eșec de gestionarea ciclului de viață al sistemului este adesea denumită prognostic și managementul sănătății ( PHM ), uneori și managementul sănătății sistemului ( SHM ) sau - în aplicațiile de transport - managementul sănătății vehiculelor ( VHM ) sau managementul sănătății motorului ( EHM ). Abordările tehnice pentru construirea modelelor în prognostici pot fi clasificate pe scară largă în abordări bazate pe date, abordări bazate pe modele și abordări hibride.

Prognostice bazate pe date

Prognosticul bazat pe date folosește de obicei tehnici de recunoaștere a modelelor și tehnici de învățare automată pentru a detecta modificările stărilor sistemului. Metodele clasice bazate pe date pentru predicția sistemului neliniar includ utilizarea de modele stocastice, cum ar fi modelul autoregresiv (AR), modelul AR de prag, modelul biliniar, urmărirea proiecției, splinele de regresie adaptive multivariate și expansiunea seriei Volterra. Din ultimul deceniu, mai multe interese în prognozarea stării sistemului bazate pe date s-au concentrat pe utilizarea modelelor flexibile, cum ar fi diferite tipuri de rețele neuronale (NN) și sisteme neuro-fuzzy (NF). Abordările bazate pe date sunt adecvate atunci când înțelegerea primelor principii de funcționare a sistemului nu este cuprinzătoare sau atunci când sistemul este suficient de complex încât să dezvolte un model precis este prohibitiv de costisitor. Prin urmare, principalele avantaje ale abordărilor bazate pe date este că acestea pot fi adesea implementate mai repede și mai ieftin în comparație cu alte abordări și că pot oferi o acoperire la nivel de sistem (cf. modele bazate pe fizică, care pot avea un domeniu de aplicare destul de restrâns). Principalul dezavantaj este că abordările bazate pe date pot avea intervale de încredere mai mari decât alte abordări și că necesită o cantitate substanțială de date pentru instruire. Abordările bazate pe date pot fi subcategorizate în statistici bazate pe flotă și condiționare bazată pe senzori. În plus, tehnicile bazate pe date presupun și tehnici de numărare a ciclurilor care pot include cunoștințe de domeniu .

Cele două strategii de bază bazate pe date implică (1) modelarea daunelor cumulative (sau, echivalent, sănătății) și apoi extrapolarea la un prag de daune (sau sănătate) sau (2) învățarea direct din date a vieții utile rămase. Așa cum am menționat, un obstacol principal este dificultatea în obținerea de date de tip run-to-failure, în special pentru sistemele noi, deoarece sistemele de rulare până la eșec pot fi un proces lung și destul de costisitor. Atunci când utilizarea viitoare nu este la fel ca în trecut (ca în cazul majorității sistemelor non-staționare), colectarea datelor care includ toate posibilele utilizări viitoare (atât condițiile de încărcare, cât și condițiile de mediu) devine adesea aproape imposibilă. Chiar și acolo unde există date, eficacitatea abordărilor bazate pe date nu depinde doar de cantitate, ci și de calitatea datelor operaționale ale sistemului. Aceste surse de date pot include temperatura, presiunea, resturile de ulei, curenții, tensiunile, puterea, vibrațiile și semnalul acustic, datele spectrometrice, precum și datele de calibrare și calorimetrice. Datele trebuie deseori prelucrate înainte de a putea fi utilizate. De obicei, se efectuează două proceduri i) Denoising și ii) Extragerea caracteristicilor. Denoising se referă la reducerea sau eliminarea influenței zgomotului asupra datelor. Extragerea caracteristicilor este importantă, deoarece în lumea actuală de date înfometate, o cantitate imensă de date este colectată folosind măsurarea senzorului care nu poate fi utilizată cu ușurință. Prin urmare, cunoașterea domeniului și prelucrarea statistică a semnalului se aplică pentru a extrage caracteristici importante din (cel mai adesea) date zgomotoase, de înaltă dimensiune.

Prognostice bazate pe model

Prognosticul bazat pe modele încearcă să încorporeze înțelegerea fizică (modele fizice) a sistemului în estimarea vieții utile rămase (RUL). Modelarea fizicii poate fi realizată la diferite niveluri, de exemplu la niveluri micro și macro. La nivel micro (numit și nivel material), modelele fizice sunt întruchipate prin serii de ecuații dinamice care definesc relațiile, la un anumit moment sau ciclu de încărcare, între deteriorarea (sau degradarea) unui sistem / componentă și condițiile de mediu și operaționale în care sistemul / componenta sunt operate. Modelele de nivel mic sunt adesea denumite model de propagare a daunelor. De exemplu, modelul de viață a oboselii Yu și Harris pentru rulmenții cu bile, care leagă durata de viață a oboselii unui rulment de stresul indus, modelul de creștere a fisurilor de la Paris și Erdogan și modelul de propagare defect stocastic sunt alte exemple de modele la nivel micro. Deoarece măsurătorile proprietăților critice de deteriorare (cum ar fi tensiunea sau tensiunea unei componente mecanice) sunt rareori disponibile, parametrii sistemului detectați trebuie utilizați pentru a deduce valorile tensiunii / tensiunii. Modelele la nivel mic trebuie să ia în considerare în gestionarea incertitudinii ipotezele și simplificările, care pot prezenta limitări semnificative ale acestei abordări.

Modelele la nivel macro sunt modelul matematic la nivel de sistem, care definește relația dintre variabilele de intrare a sistemului, variabilele de stare ale sistemului și măsurarea variabilelor / ieșirilor în care modelul este adesea o reprezentare oarecum simplificată a sistemului, de exemplu un model de parametri . Compensarea este o acoperire sporită, cu posibilitatea de a reduce precizia unui anumit mod de degradare. Acolo unde acest compromis este permis, poate rezulta o prototipare mai rapidă. Cu toate acestea, acolo unde sistemele sunt complexe (de exemplu, un motor cu turbină cu gaz), chiar și un model la nivel macro poate fi un proces care consumă mult timp și necesită multă muncă. Ca urmare, este posibil ca modelele la nivel macro să nu fie disponibile în detaliu pentru toate subsistemele. Simplificările rezultate trebuie să fie luate în considerare de managementul incertitudinii.

Abordări hibride

Abordările hibride încearcă să valorifice puterea atât din abordările bazate pe date, cât și din abordările bazate pe modele. În realitate, este rar că abordările câmpizate sunt complet fie pur bazate pe date, fie pur bazate pe modele. De cele mai multe ori, abordările bazate pe modele includ unele aspecte ale abordărilor bazate pe date, iar abordările bazate pe date culeg informațiile disponibile din modele. Un exemplu pentru primul ar fi în cazul în care parametrii modelului sunt reglați folosind date de câmp. Un exemplu pentru acesta din urmă este atunci când set-point, tendința sau factorul de normalizare pentru o abordare bazată pe date este dat de modele. Abordările hibride pot fi clasificate în linii mari în două categorii, 1) fuziune pre-estimată și 2.) fuziune post-estimare.

Pre-estimarea fuziunii de modele și date

Motivația pentru agregarea pre-estimată poate fi că nu sunt disponibile date despre adevărul de bază. Acest lucru se poate întâmpla în situațiile în care diagnosticul face o treabă bună în detectarea defecțiunilor care sunt rezolvate (prin întreținere) înainte de a se produce defecțiunea sistemului. Prin urmare, nu există cu greu date de execuție până la eșec. Cu toate acestea, există un stimulent pentru a cunoaște mai bine când un sistem nu reușește să valorifice mai bine durata de viață utilă rămasă, evitând în același timp întreținerea neprogramată (întreținerea neprogramată este de obicei mai costisitoare decât întreținerea programată și are ca rezultat întreruperea sistemului). Garga și colab. descrie conceptual o abordare hibridă de agregare pre-estimată în care cunoașterea domeniului este utilizată pentru a schimba structura unei rețele neuronale, rezultând astfel o reprezentare mai parsonială a rețelei. O altă modalitate de a realiza agregarea pre-estimată este printr-un proces off-line combinat și un proces on-line: în modul off-line, se poate utiliza un model de simulare bazat pe fizică pentru a înțelege relațiile de răspuns ale senzorului la starea de eroare; În modul on-line, se pot utiliza date pentru a identifica starea curentă a daunelor, apoi urmări datele pentru a caracteriza propagarea daunelor și, în final, se aplică un model de propagare individualizat bazat pe date pentru predicția de viață rămasă. De exemplu, Khorasgani și colab. Au modelat fizica defectării condensatorilor electrolitici. Apoi, au folosit o abordare cu filtru de particule pentru a obține forma dinamică a modelului de degradare și pentru a estima starea actuală a sănătății condensatorului. Acest model este apoi utilizat pentru a obține o estimare mai precisă a duratei de viață utilă (RUL) a condensatoarelor, deoarece acestea sunt supuse condițiilor de solicitare termică.

Fuziunea post-estimare a abordărilor bazate pe model cu abordările bazate pe date

Motivația pentru fuziunea post-estimare este adesea luarea în considerare a gestionării incertitudinii. Adică, fuziunea post-estimare ajută la restrângerea intervalelor de incertitudine ale abordărilor bazate pe date sau bazate pe modele. În același timp, precizia se îmbunătățește. Noțiunea de bază este că mai multe surse de informații pot ajuta la îmbunătățirea performanței unui estimator. Acest principiu a fost aplicat cu succes în contextul fuziunii clasificatorului în care rezultatul mai multor clasificatori este utilizat pentru a obține un rezultat mai bun decât orice clasificator singur. În contextul prognosticului, fuziunea poate fi realizată prin utilizarea unor evaluări ale calității care sunt atribuite estimatorilor individuali pe baza unei varietăți de intrări, de exemplu euristică, performanță cunoscută a priori, orizont de predicție sau robustete a predicției.

Evaluarea performanței prognostice

Evaluarea performanței prognostice este de o importanță cheie pentru o implementare cu succes a sistemului PHM. Lipsa timpurie a metodelor standardizate pentru evaluarea performanței și a seturilor de date de referință a dus la dependența de metricile de performanță convenționale împrumutate din statistici. Aceste valori s-au bazat în principal pe acuratețe și precizie, în care performanța este evaluată în funcție de sfârșitul vieții, de obicei cunoscute aprioric într-un cadru offline. Mai recent, eforturile către maturizarea tehnologiei prognostice au pus un accent semnificativ pe standardizarea metodelor de prognostic, inclusiv pe cele de evaluare a performanței. Un aspect cheie, care lipsește din valorile convenționale, este capacitatea de a urmări performanța în timp. Acest lucru este important deoarece prognosticul este un proces dinamic în care predicțiile se actualizează cu o frecvență adecvată pe măsură ce mai multe date de observare devin disponibile dintr-un sistem operațional. În mod similar, performanța predicției se schimbă în timp, care trebuie urmărită și cuantificată. Un alt aspect care face diferit acest proces într-un context PHM este valoarea în timp a unei predicții RUL. Pe măsură ce un sistem se apropie de eșec, intervalul de timp pentru a întreprinde o acțiune corectivă devine mai scurt și, prin urmare, precizia predicțiilor devine mai critică pentru luarea deciziilor. În cele din urmă, întâmplarea și zgomotul în proces, măsurători și modele de predicție sunt inevitabile și, prin urmare, prognosticul implică inevitabil incertitudine în estimările sale. O evaluare robustă a performanței prognostice trebuie să includă efectele acestei incertitudini.

Mai multe valori de performanță prognostice au evoluat luând în considerare aceste probleme:

• Orizontul prognostic (PH) cuantifică cât de mult poate anticipa un algoritm cu o precizie dorită înainte de apariția unei defecțiuni. Este preferat un orizont prognostic mai lung, deoarece este disponibil mai mult timp pentru o acțiune corectivă.
• Precizia α-λ strânge și mai mult nivelurile de precizie dorite folosind un con micșorat de precizie dorită pe măsură ce se apropie sfârșitul duratei de viață. Pentru a respecta în permanență specificațiile α-λ dorite, un algoritm trebuie să se îmbunătățească cu timpul pentru a rămâne în con.
• Precizia relativă cuantifică precizia în raport cu timpul efectiv rămas înainte de eșec.
• Convergența cuantifică cât de rapid converge performanța pentru un algoritm pe măsură ce se apropie sfârșitul vieții.

O reprezentare vizuală a acestor valori poate fi utilizată pentru a descrie performanța prognostică pe un orizont lung de timp.

Incertitudine în prognostici

Există mulți parametri de incertitudine care pot influența precizia predicției. Acestea pot fi clasificate ca:

• Incertitudine în parametrii sistemului: aceasta se referă la incertitudinea valorilor parametrilor fizici ai sistemului (rezistență, inductanță, rigiditate, capacitate etc.). Această incertitudine este indusă de condițiile de mediu și operaționale în care sistemul evoluează. Acest lucru poate fi abordat prin utilizarea unor metode adecvate, cum ar fi cele intermediare.
• Incertitudine în modelul de sistem nominal: aceasta se referă la impreciziile din modelele matematice care sunt generate pentru a reprezenta comportamentul sistemului. Aceste imprecizii (sau incertitudini) pot fi rezultatul unui set de ipoteze utilizate în timpul procesului de modelare și care conduc la modele care nu se potrivesc exact comportamentului real al sistemului.
• Incertitudine în modelul de degradare a sistemului: modelul de degradare poate fi obținut din teste de viață accelerate care sunt efectuate pe diferite eșantioane de date ale unei componente. În practică, datele obținute prin teste de viață accelerate efectuate în aceleași condiții de funcționare pot avea o tendință de degradare diferită. Această diferență în tendințele de degradare poate fi apoi considerată ca o incertitudine în modelele de degradare derivate din datele legate de testele de viață accelerate.
• Incertitudine în predicție: incertitudinea este inerentă oricărui proces de predicție. Orice predicții ale modelului nominal și / sau degradare sunt inexacte, ceea ce este afectat de mai multe incertitudini, cum ar fi incertitudinea în parametrii modelului, condițiile de mediu și profilurile viitoare ale misiunii. Incertitudinea de predicție poate fi abordată prin utilizarea instrumentelor Bayesiene și online de estimare și predicție (de exemplu, filtre de particule și filtru Kalman etc.).
• Incertitudine în pragurile de avarie: pragul de avarie este important în orice metodă de detectare și predicție a avariei. Determină momentul în care sistemul eșuează și, în consecință, durata de viață rămasă. În practică, valoarea pragului de eșec nu este constantă și se poate schimba în timp. De asemenea, se poate modifica în funcție de natura sistemului, de condițiile de funcționare și de mediul în care acesta evoluează. Toți acești parametri induc incertitudine care ar trebui luată în considerare în definiția pragului de eșec.

Exemple de cuantificare a incertitudinii pot fi găsite în.

Platforme hardware și software comerciale

Pentru majoritatea aplicațiilor industriale PHM, hardware-ul și senzorii de achiziție de date comerciale de pe raft sunt în mod normal cele mai practice și comune. Exemple de furnizori comerciali pentru hardware de achiziție de date includ National Instruments și Advantech Webaccess; cu toate acestea, pentru anumite aplicații, hardware-ul poate fi personalizat sau optimizat, după cum este necesar. Tipurile obișnuite de senzori pentru aplicațiile PHM includ accelerometre, temperatură, presiune, măsurători ale vitezei de rotație folosind codificatoare sau tahometre, măsurători electrice de tensiune și curent, emisie acustică, celule de sarcină pentru măsurarea forței și măsurători de deplasare sau poziție. Există numeroși furnizori de senzori pentru acele tipuri de măsurare, unii având o anumită linie de produse care este mai potrivită pentru monitorizarea stării și aplicații PHM.

Algoritmii de analiză a datelor și tehnologia de recunoaștere a modelelor sunt oferite acum în unele platforme software comerciale sau ca parte a unei soluții software ambalate. National Instruments are în prezent o versiune de încercare (cu o lansare comercială în anul viitor) a setului de instrumente de prognostic Watchdog Agent, care este o colecție de algoritmi PHM bazate pe date, care au fost dezvoltate de Centrul pentru sisteme de întreținere inteligentă. Această colecție de peste 20 de instrumente permite configurarea și personalizarea algoritmilor pentru extragerea semnăturilor, detectarea anomaliilor, evaluarea stării de sănătate, diagnosticarea eșecurilor și predicția eșecurilor pentru o anumită aplicație, după cum este necesar. Soluțiile comerciale de monitorizare predictivă personalizate care folosesc setul de instrumente Watchdog Agent sunt acum oferite de o companie recent lansată, numită Predictronics Corporation, în care fondatorii au contribuit la dezvoltarea și aplicarea acestei tehnologii PHM la Centrul pentru sisteme inteligente de întreținere. Un alt exemplu este MATLAB și setul său de instrumente de întreținere predictivă, care oferă funcții și o aplicație interactivă pentru explorarea, extragerea și clasificarea caracteristicilor folosind tehnici bazate pe date și bazate pe modele, inclusiv analize statistice, spectrale și serii de timp. Această cutie de instrumente include, de asemenea, exemple de referință pentru motoare, cutii de viteze, baterii și alte mașini care pot fi refolosite pentru dezvoltarea algoritmilor de întreținere predictivă personalizată și de monitorizare a stării. Alte oferte de software comercial se concentrează pe câteva instrumente pentru detectarea anomaliilor și diagnosticarea defecțiunilor și sunt de obicei oferite ca o soluție de pachet în loc de o ofertă de seturi de instrumente. Exemplul include metoda analitică de detectare a anomaliilor cu semnale inteligente, bazată pe modele de tip auto-asociativ (modelare bazată pe similaritate) care caută schimbări în relația de corelație nominală a semnalelor, calculează reziduurile între performanța așteptată și cea reală, apoi efectuează testarea ipotezei asupra reziduurilor semnale (testul raportului de probabilitate secvențială). Tipuri similare de metode de analiză sunt, de asemenea, oferite de Expert Microsystems, care utilizează o metodă similară a nucleului auto-asociativ pentru calcularea reziduurilor și are alte module pentru diagnostic și predicție.

Prognostice la nivel de sistem

În timp ce majoritatea abordărilor prognostice se concentrează pe calculul precis al ratei de degradare și a duratei de viață utilă rămase (RUL) a componentelor individuale, rata de degradare a performanței subsistemelor și a sistemelor este de un interes mai mare pentru operatorii și personalul de întreținere al acestor sisteme.

Vezi si

Note

Bibliografie

Electronică PHM

linkuri externe