Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Эта статья об инженерной дисциплине. Что касается медицинского термина, см. Прогноз .

Прогностика - это инженерная дисциплина, сфокусированная на прогнозировании времени, в которое система или компонент перестанут выполнять свои функции. [1] Это отсутствие производительности чаще всего является неисправностью, после которой система больше не может использоваться для достижения желаемой производительности. Прогнозируемое время становится оставшимся сроком полезного использования ( RUL ), что является важной концепцией при принятии решений по смягчению последствий непредвиденных обстоятельств. Prognostics предсказывает будущие характеристики компонента, оценивая степень отклонения или ухудшения работы системы от ожидаемых нормальных рабочих условий. [2]Прогностическая наука основана на анализе видов отказов, обнаружении ранних признаков износа и старения, а также состояний отказа. Эффективное прогностическое решение реализуется, когда есть достоверные сведения о механизмах отказов, которые могут вызвать ухудшения, ведущие к возможным отказам в системе. Поэтому необходимо иметь исходную информацию о возможных сбоях (включая место, режим, причину и механизм) в продукте. Такие знания важны для определения параметров системы, которые необходимо контролировать. Возможное использование для прогнозирования заключается в техническом обслуживании по состоянию . Дисциплина, которая связывает исследования механизмов отказов с управлением жизненным циклом системы, часто называется прогнозированием и управлением работоспособностью ( PHM).), иногда также управление исправностью системы ( SHM ) или - в транспортных приложениях - управление исправностью транспортного средства ( VHM ) или управление исправностью двигателя ( EHM ). Технические подходы к построению моделей в прогнозировании можно в целом разделить на подходы, основанные на данных, подходы на основе моделей и гибридные подходы.

Прогнозирование на основе данных [ править ]

Прогнозирование на основе данных обычно использует методы распознавания образов и машинного обучения для обнаружения изменений в состояниях системы. [3]Классические управляемые данными методы прогнозирования нелинейных систем включают использование стохастических моделей, таких как модель авторегрессии (AR), пороговая модель AR, билинейная модель, проекционное преследование, многомерные сплайны адаптивной регрессии и расширение ряда Вольтерра. С последнего десятилетия все больше интересов в прогнозировании состояния системы на основе данных было сосредоточено на использовании гибких моделей, таких как различные типы нейронных сетей (NN) и нейронные нечеткие (NF) системы. Подходы, основанные на данных, подходят, когда понимание основных принципов работы системы не является исчерпывающим или когда система достаточно сложна, так что разработка точной модели является чрезмерно дорогостоящей. Следовательно,Основное преимущество подходов, основанных на данных, заключается в том, что их часто можно развернуть быстрее и дешевле по сравнению с другими подходами, и что они могут обеспечить охват всей системы (см. модели на основе физики, которые могут быть довольно узкими по своему охвату). Основным недостатком является то, что подходы, основанные на данных, могут иметь более широкие доверительные интервалы, чем другие подходы, и что они требуют значительного количества данных для обучения. Подходы, основанные на данных, могут быть далее подразделены на статистику на основе автопарка и кондиционирование на основе датчиков. Кроме того, к методам, основанным на данных, также относятся методы подсчета циклов, которые могут включатьОсновным недостатком является то, что подходы, основанные на данных, могут иметь более широкие доверительные интервалы, чем другие подходы, и что они требуют значительного количества данных для обучения. Подходы, основанные на данных, могут быть далее подразделены на статистику на основе автопарка и кондиционирование на основе датчиков. Кроме того, к методам, основанным на данных, также относятся методы подсчета циклов, которые могут включатьОсновным недостатком является то, что подходы, основанные на данных, могут иметь более широкие доверительные интервалы, чем другие подходы, и что они требуют значительного количества данных для обучения. Подходы, основанные на данных, могут быть далее подразделены на статистику на основе автопарка и кондиционирование на основе датчиков. Кроме того, к методам, основанным на данных, также относятся методы подсчета циклов, которые могут включатьзнание предметной области .

Две основные стратегии, основанные на данных, включают (1) моделирование совокупного ущерба (или, что то же самое, здоровья) с последующей экстраполяцией до порогового значения ущерба (или здоровья), или (2) изучение непосредственно на основе данных оставшегося срока полезного использования. [4] [5]Как уже упоминалось, основным узким местом является сложность получения данных о работе до отказа, в частности, для новых систем, поскольку доведение системы до отказа может быть длительным и довольно дорогостоящим процессом. Когда будущее использование отличается от прошлого (как в случае с большинством нестационарных систем), сбор данных, включающих все возможные варианты использования в будущем (как нагрузки, так и условия окружающей среды), часто становится почти невозможным. Даже там, где данные существуют, эффективность основанных на данных подходов зависит не только от количества, но и от качества операционных данных системы. Эти источники данных могут включать температуру, давление, масляные частицы, токи, напряжения, мощность, вибрацию и акустический сигнал, спектрометрические данные, а также данные калибровки и калориметрии. Перед использованием данные часто необходимо предварительно обработать.Обычно выполняются две процедуры: i) уменьшение шума и ii) извлечение признаков. Под шумоподавлением понимается уменьшение или устранение влияния шума на данные. Извлечение функций важно, потому что в сегодняшнем мире, требующем данных, огромное количество данных собирается с помощью сенсорных измерений, которые могут быть нелегко использовать. Поэтому знания предметной области и статистическая обработка сигналов применяются для извлечения важных характеристик из (чаще всего) зашумленных многомерных данных.Поэтому знания предметной области и статистическая обработка сигналов применяются для извлечения важных характеристик из (чаще всего) зашумленных многомерных данных.Поэтому знания предметной области и статистическая обработка сигналов применяются для извлечения важных характеристик из (чаще всего) зашумленных многомерных данных.[6]

Прогнозирование на основе моделей [ править ]

Прогнозирование на основе моделей пытается включить физическое понимание (физические модели) системы в оценку оставшегося срока полезного использования (RUL). Физическое моделирование может выполняться на разных уровнях, например, на микро- и макроуровнях. На микроуровне (также называемом материальным уровнем) физические модели воплощаются в виде ряда динамических уравнений, которые определяют отношения в данный момент времени или цикла нагрузки между повреждением (или деградацией) системы / компонента и условиями окружающей среды и эксплуатации, при которых система / компонент эксплуатируются. Модели на микроуровне 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 трещины Пэрис и Эрдогана,[8] и стохастическая модель распространения дефектов [9] являются другими примерами моделей на микроуровне. Поскольку измерения критических характеристик повреждения (таких как напряжение или деформация механического компонента) доступны редко, для определения значений напряжения / деформации необходимо использовать измеренные параметры системы. При управлении неопределенностью модели на микроуровне должны учитывать допущения и упрощения, которые могут создавать значительные ограничения этого подхода.

Макроуровневые модели - это математическая модель на системном уровне, которая определяет взаимосвязь между входными переменными системы, переменными состояния системы, и система измеряет переменные / выходы, где модель часто является несколько упрощенным представлением системы, например, модель с сосредоточенными параметрами. . Компромисс заключается в увеличении покрытия с возможным снижением точности конкретного режима ухудшения качества. Там, где этот компромисс допустим, результатом может быть более быстрое прототипирование. Однако в сложных системах (например, газотурбинный двигатель) даже модель на макроуровне может оказаться довольно трудоемким и трудоемким процессом. В результате модели макроуровня могут быть доступны не для всех подсистем в деталях. Полученные упрощения должны быть учтены при управлении неопределенностью.

Гибридные подходы [ править ]

Гибридные подходы пытаются использовать преимущества как подходов, основанных на данных, так и подходов, основанных на моделях. [10] [11] В действительности редко бывает, чтобы применяемые подходы полностью основывались либо на чисто данных, либо на чисто модельной основе. Чаще всего подходы, основанные на моделях, включают некоторые аспекты подходов, основанных на данных, а подходы, основанные на данных, собирают доступную информацию из моделей. Примером для первого может быть настройка параметров модели с использованием полевых данных. Примером последнего является случай, когда заданное значение, смещение или коэффициент нормализации для подхода, основанного на данных, задаются моделями. Гибридные подходы можно в целом разделить на две категории: 1) объединение предварительной оценки и 2) объединение постоценки.

Предварительная оценка слияния моделей и данных [ править ]

Мотивом для агрегирования предварительной оценки может быть отсутствие достоверных данных. Это может произойти в ситуациях, когда диагностика хорошо помогает обнаруживать неисправности, которые устраняются (посредством обслуживания) до того, как произойдет сбой системы. Поэтому практически нет данных о работе до отказа. Однако есть стимул лучше знать, когда система не сможет лучше использовать оставшийся срок полезного использования, в то же время избегая внепланового обслуживания (внеплановое обслуживание обычно дороже, чем плановое обслуживание, и приводит к простою системы). Гарга и др. описать концептуально гибридный подход с предварительной оценкой агрегирования, в котором знания предметной области используются для изменения структуры нейронной сети, что приводит к более экономному представлению сети. [ необходима цитата] Другой способ выполнить предварительную оценку агрегирования - это объединить автономный процесс и интерактивный процесс: в автономном режиме можно использовать имитационную модель на основе физики, чтобы понять взаимосвязь реакции датчика с состоянием неисправности. ; В интерактивном режиме можно использовать данные для определения текущего состояния повреждения, затем отслеживать данные для характеристики распространения повреждений и, наконец, применять индивидуализированную модель распространения, управляемую данными, для прогнозирования оставшегося срока службы. Например, Хорасгани и др. [12]смоделировал физику отказа электролитических конденсаторов. Затем они использовали подход с фильтром частиц, чтобы получить динамическую форму модели деградации и оценить текущее состояние исправности конденсатора. Затем эта модель используется для получения более точной оценки оставшегося полезного срока службы (RUL) конденсаторов, поскольку они подвергаются тепловым нагрузкам.

Пост-оценка слияние подходов, основанных на моделях, с подходами, основанными на данных [ править ]

Мотивом для слияния пост-оценок часто является учет неопределенности. То есть объединение постоценки помогает сузить интервалы неопределенности подходов, основанных на данных или на основе моделей. В то же время точность улучшается. Основная идея заключается в том, что несколько источников информации могут помочь повысить производительность оценщика. Этот принцип успешно применялся в контексте объединения классификаторов, когда выходные данные нескольких классификаторов используются для достижения лучшего результата, чем любой классификатор в одиночку. В контексте прогнозирования 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 устойчивости прогноза.

Прогностическая оценка эффективности [ править ]

Прогностическая оценка производительности имеет ключевое значение для успешного развертывания системы PHM. Отсутствие на раннем этапе стандартизированных методов оценки производительности и наборов контрольных данных привело к тому, что пришлось полагаться на традиционные показатели производительности, заимствованные из статистики. Эти показатели в основном основывались на точности и точности, когда производительность оценивалась по фактическому окончанию срока службы (EoL), обычно известному априори в автономных условиях. В последнее время в усилиях по развитию технологии прогнозирования значительное внимание уделяется стандартизации методов прогнозирования, в том числе методов оценки эффективности. Ключевым аспектом, отсутствующим в традиционных метриках, является возможность отслеживать производительность с течением времени.Это важно, потому что прогнозирование - это динамический процесс, в котором прогнозы обновляются с соответствующей частотой по мере того, как из операционной системы становится доступным больше данных наблюдений. Точно так же эффективность прогнозирования меняется со временем, что необходимо отслеживать и количественно оценивать. Другой аспект, который отличает этот процесс в контексте PHM, - это значение времени предсказания RUL. По мере того как система приближается к отказу, временное окно для принятия корректирующих действий становится короче, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в моделях процесса, измерений и прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает в себя неопределенность в своих оценках. Надежная прогностическая оценка эффективности должна учитывать влияние этой неопределенности.Другой аспект, который отличает этот процесс в контексте PHM, - это значение времени предсказания RUL. По мере того как система приближается к отказу, временное окно для принятия корректирующих действий становится короче, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в моделях процесса, измерений и прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает в себя неопределенность в своих оценках. Надежная прогностическая оценка эффективности должна учитывать влияние этой неопределенности.Другой аспект, который отличает этот процесс в контексте PHM, - это значение времени предсказания RUL. По мере того как система приближается к отказу, временное окно для принятия корректирующих действий становится короче, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в моделях процесса, измерений и прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает в себя неопределенность в своих оценках. Надежная прогностическая оценка эффективности должна учитывать влияние этой неопределенности.а модели прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает в себя неопределенность в своих оценках. Надежная прогностическая оценка эффективности должна учитывать влияние этой неопределенности.а модели прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает в себя неопределенность в своих оценках. Надежная прогностическая оценка эффективности должна учитывать влияние этой неопределенности.

Несколько показателей эффективности прогнозов были разработаны с учетом этих вопросов:

  • Прогнозный горизонт (PH) количественно определяет, насколько заранее алгоритм может предсказать с желаемой точностью до того, как произойдет сбой. Предпочтительнее использовать более длинный PH, поскольку тогда для корректирующих действий доступно больше времени.
  • Точность α-λ дополнительно повышает требуемые уровни точности с помощью сужающегося конуса желаемой точности по мере приближения EoL. Чтобы всегда соответствовать желаемым спецификациям α-λ, алгоритм должен со временем улучшаться, чтобы оставаться в пределах конуса.
  • Относительная точность (RA) определяет точность относительно фактического времени, оставшегося до отказа.
  • Сходимость количественно определяет, насколько быстро производительность алгоритма сходится по мере приближения EoL.

Визуальное представление этих показателей можно использовать для отображения прогнозных показателей на долгий период времени.

Неопределенность в прогнозе [ править ]

Есть много параметров неопределенности, которые могут влиять на точность прогноза. Их можно разделить на следующие категории: [13]

  • Неопределенность параметров системы: это касается неопределенности значений физических параметров системы (сопротивления, индуктивности, жесткости, емкости и т. Д.). Эта неопределенность вызвана условиями окружающей среды и условиями эксплуатации, в которых развивается система. Решить это можно адекватными методами, например интервальными.
  • Неопределенность в номинальной модели системы: это касается неточностей в математических моделях, которые генерируются для представления поведения системы. Эти неточности (или неопределенности) могут быть результатом набора допущений, используемых в процессе моделирования, и которые приводят к моделям, которые не соответствуют в точности реальному поведению системы.
  • Неопределенность в модели деградации системы: модель деградации может быть получена из ускоренных испытаний на срок службы, которые проводятся на различных выборках данных компонента. На практике данные, полученные в результате ускоренных испытаний на долговечность, проведенных в одних и тех же условиях эксплуатации, могут иметь различную тенденцию к ухудшению качества. Это различие в тенденциях деградации может затем рассматриваться как неопределенность в моделях деградации, полученных на основе данных, связанных с ускоренными испытаниями на долговечность.
  • Неопределенность в прогнозе: неопределенность присуща любому процессу прогнозирования. Любые номинальные прогнозы и / или прогнозы модели деградации неточны, на что влияет несколько неопределенностей, таких как неопределенность в параметрах модели, условиях окружающей среды и профилях будущей миссии. Неопределенность прогноза может быть устранена с помощью байесовских и онлайн-инструментов оценки и прогнозирования (например, фильтров частиц и фильтра Калмана и т. Д.).
  • Неопределенность пороговых значений отказов: пороговые значения отказов важны для любых методов обнаружения и прогнозирования отказов. Он определяет время выхода системы из строя и, следовательно, оставшийся срок полезного использования. На практике значение порога отказа непостоянно и может изменяться со временем. Он также может меняться в зависимости от характера системы, условий эксплуатации и окружающей среды, в которой она развивается. Все эти параметры вызывают неопределенность, которую следует учитывать при определении порога отказа.

Примеры количественной оценки неопределенности можно найти в. [14] [15] [16] [17] [18]

Коммерческие аппаратные и программные платформы [ править ]

Для большинства промышленных приложений PHM обычно наиболее практичными и распространенными являются коммерческое оборудование и датчики для сбора данных. Примеры коммерческих поставщиков оборудования для сбора данных включают National Instruments [19] и Advantech Webaccess; [20]тем не менее, для некоторых приложений оборудование может быть настроено или усилено по мере необходимости. Общие типы датчиков для приложений PHM включают акселерометры, температуры, давления, измерения скорости вращения с помощью энкодеров или тахометров, электрические измерения напряжения и тока, акустическую эмиссию, датчики нагрузки для измерения силы, а также измерения смещения или положения. Существует множество поставщиков датчиков для этих типов измерений, некоторые из которых имеют определенную линейку продуктов, которая больше подходит для мониторинга состояния и приложений PHM.

Алгоритмы анализа данных и технология распознавания образов теперь предлагаются на некоторых коммерческих программных платформах или как часть пакетного программного решения. В настоящее время National Instruments имеет пробную версию (коммерческий выпуск которой состоится в следующем году) инструментария прогнозирования Watchdog Agent®, который представляет собой набор алгоритмов PHM, управляемых данными, которые были разработаны Центром интеллектуальных систем обслуживания. [21]Этот набор из более чем 20 инструментов позволяет настраивать и настраивать алгоритмы извлечения сигнатур, обнаружения аномалий, оценки работоспособности, диагностики сбоев и прогнозирования сбоев для данного приложения по мере необходимости. Коммерческие решения для индивидуализированного прогнозного мониторинга с использованием инструментария Watchdog Agent теперь предлагаются недавно созданной компанией под названием Predictronics Corporation [22], основатели которой сыграли важную роль в разработке и применении этой технологии PHM в Центре интеллектуальных систем обслуживания. Другой пример - MATLAB и его набор инструментов Predictive Maintenance Toolbox [23].который предоставляет функции и интерактивное приложение для изучения, извлечения и ранжирования функций с использованием методов на основе данных и моделей, включая статистический, спектральный анализ и анализ временных рядов. Этот набор инструментов также включает справочные примеры для двигателей, редукторов, аккумуляторов и другие машины, которые можно повторно использовать для разработки специализированных алгоритмов профилактического обслуживания и мониторинга состояния. Другие коммерческие предложения программного обеспечения сосредоточены на нескольких инструментах для обнаружения аномалий и диагностики неисправностей и обычно предлагаются как пакетное решение, а не как набор инструментов. Пример включает аналитический метод обнаружения аномалий Smart Signals, основанный на моделях автоассоциативного типа (моделирование на основе подобия), которые ищут изменения в номинальной корреляционной взаимосвязи в сигналах, вычисляют остатки между ожидаемой и фактической характеристиками,и затем выполняет проверку гипотез по остаточным сигналам (последовательный тест отношения вероятностей).[24] Подобные типы методов анализа также предлагаются компанией Expert Microsystems, которая использует аналогичный метод автоассоциативного ядра для вычисления остатков и имеет другие модули для диагностики и прогнозирования. [25]

Прогнозирование на системном уровне [ править ]

[26] Хотя большинство подходов к прогнозированию сосредоточены на точном вычислении скорости деградации и оставшегося срока службы (RUL) отдельных компонентов, именно скорость, с которой ухудшается производительность подсистем и систем, представляет больший интерес для операторов и технического обслуживания. персонал этих систем.

См. Также [ править ]

  • Исследования будущего
  • Запланированное устаревание
  • Прогноз
  • Профилактическое обслуживание
  • Профилактическое обслуживание
  • Прогнозирование ветряных турбин

Заметки [ править ]

  1. ^ Вахцеванос; Льюис, Ремер; Гесс и Ву (2006). Интеллектуальная диагностика неисправностей и прогнозирование инженерных систем . Вайли. ISBN 978-0-471-72999-0.
  2. ^ Печт, Майкл Г. (2008). Прогнозирование и управление здоровьем электроники . Вайли. ISBN 978-0-470-27802-4.
  3. ^ Лю, Цзе; Ван, Гольнараги (2009). «Многошаговый предсказатель 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 .; Medjaher, K; Зерхуни, Н. (2014). «Прогностический метод на основе данных, основанный на байесовских подходах для прямого прогнозирования оставшегося срока полезного использования» (PDF) . Журнал интеллектуального производства . 27 (5): 1037–1048. DOI : 10.1007 / s10845-014-0933-4 .
  5. ^ Мосаллам, А .; Medjaher, K .; Зерхуни, Н. (2015). Компонентное прогнозирование на основе данных для сложных систем: методология и приложения . Международная конференция по проектированию систем надежности . С. 1–7. DOI : 10.1109 / ICRSE.2015.7366504 . ISBN 978-1-4673-8557-2.
  6. ^ Мосаллам, А .; Medjaher, K; Зерхуни, Н. (2013). «Непараметрическое моделирование временных рядов для промышленного прогнозирования и управления здоровьем» . Международный журнал передовых производственных технологий . 69 (5): 1685–1699. DOI : 10.1007 / s00170-013-5065-Z .
  7. ^ Ю, Вэй Куфи; Харрис (2001). «Новая модель усталостной долговечности шариковых подшипников на основе напряжений». Трибологические труды . 44 (1): 11–18. DOI : 10.1080 / 10402000108982420 .
  8. ^ Париж, ПК; Ф. Эрдоган (1963). «Завершение обсуждения« критического анализа законов распространения трещин »(1963, ASME J. Basic Eng., 85, стр. 533–534)». Журнал фундаментальной инженерии . 85 (4): 528–534. DOI : 10.1115 / 1.3656903 .
  9. ^ Li, Y .; Курфесс, TR; Лян, SY (2000). «СТОХАСТИЧЕСКИЕ ПРОГНОЗЫ ПОДШИПНИКОВ ПОДШИПНИКА». Механические системы и обработка сигналов . 14 (5): 747–762. DOI : 10.1006 / mssp.2000.1301 . ISSN 0888-3270 . 
  10. ^ Печт, Майкл; Джаи (2010). «Дорожная карта прогнозирования и 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 модели данных для динамического прогнозирования состояния системы" . Инженерные приложения искусственного интеллекта . 25 (4): 814–823. DOI : 10.1016 / j.engappai.2012.02.015 .
  12. ^ researchgate.net
  13. ^ «Прогнозирование и управление здоровьем для специалистов по техническому обслуживанию - обзор, внедрение и оценка инструментов» . Общество PHM . 2017-12-11 . Проверено 13 июня 2020 .
  14. ^ Sankararaman, Шанкар (2015). «Значимость, интерпретация и количественная оценка неопределенности в прогнозировании и прогнозе оставшегося срока полезного использования». Механические системы и обработка сигналов . Elsevier BV. 52–53: 228–247. DOI : 10.1016 / j.ymssp.2014.05.029 . ISSN 0888-3270 . 
  15. ^ Сунь, Цзяньчжун; Цзо, Хунфу; Ван, Вэньбинь; Печт, Майкл Г. (2014). «Снижение неопределенности прогнозов путем объединения данных онлайн-мониторинга на основе модели деградации на основе пространства состояний». Механические системы и обработка сигналов . Elsevier BV. 45 (2): 396–407. DOI : 10.1016 / j.ymssp.2013.08.022 . ISSN 0888-3270 . 
  16. ^ Дуонг, Фам LT; Рагхаван, Нагараджан (2017). Количественная оценка неопределенности в прогнозировании: подход, основанный на полиномиальном хаосе, управляемом данными . IEEE. DOI : 10.1109 / icphm.2017.7998318 . ISBN 978-1-5090-5710-8.
  17. ^ Обработка неопределенности в прогнозировании и управлении здоровьем: обзор . IEEE. 2012. DOI : 10,1109 / phm.2012.6228860 . ISBN 978-1-4577-1911-0.
  18. ^ Роккетта, Роберто; Броджи, Маттео; Huchet, Квентин; Пателли, Эдоардо (2018). «Обновление байесовской модели он-лайн для мониторинга состояния конструкций». Механические системы и обработка сигналов . Elsevier BV. 103 : 174–195. DOI : 10.1016 / j.ymssp.2017.10.015 . ISSN 0888-3270 . 
  19. ^ Национальные инструменты. «Мониторинг состояния» .
  20. ^ Advantech. «Веб-доступ» .
  21. ^ Национальные инструменты. «Набор инструментов Watchdog Agent®» .
  22. ^ Предиктроника. «Предиктроника» .
  23. ^ «Набор инструментов для профилактического обслуживания» . www.mathworks.com . Проверено 11 июля 2019 .
  24. ^ Wegerich, S. (2005). «Моделирование вибрационных характеристик на основе подобия для обнаружения и идентификации неисправностей». Обзор датчика . 25 (2): 114–122. DOI : 10.1108 / 02602280510585691 .
  25. ^ Кларксон, SA; Бикфорд, Р.Л. (2013). «Классификация путей и оценка оставшегося срока службы для систем со сложными режимами отказа». Конференция MFPT .
  26. ^ Родригес, LR; Гомеш, JPP; Ферри, ФАС; Медейрос, ИП; Гальвао, РКХ; Жуниор, CL Nascimento (декабрь 2015 г.). «Использование информации PHM и системной архитектуры для оптимизации планирования технического обслуживания воздушных судов». Системный журнал IEEE . 9 (4): 1197–1207. Bibcode : 2015ISysJ ... 9.1197R . DOI : 10,1109 / jsyst.2014.2343752 . ISSN 1932-8184 . 

Библиография [ править ]

Электроника PHM [ править ]

  • Моделирование эффектов старения IGBT в силовых приводах путем определения характеристик звона, А. Гинар, М. Дж. Ремер, П. В. Калгрен и К. Гебель, в Международной конференции по прогнозированию и управлению здравоохранением , 2008 г., стр. 1–7.
  • Прогнозирование деградации межсоединений с использованием мониторинга РЧ-импеданса и последовательного теста отношения вероятностей, Д. Квон, М. Х. Азарян и М. Пехт, Международный журнал Performanceability Engineering , вып. 6, вып. 4. С. 351–360, 2010.
  • Оценка скрытых повреждений и прогноз остаточного ресурса бортовой бессвинцовой электроники при термомеханических нагрузках, П. Лалл, К. Бхат, М. Ханде, В. Мор, Р. Вайдья, Дж. Сухлинг, Р. Пандер, К. Гебель, в материалах Международной конференции по прогнозированию и управлению здоровьем , 2008 г.
  • Предвестники отказа полимерных самовосстанавливаемых предохранителей, С. Ченг, К. Том и М. Печт, IEEE Transactions on Devices and Materials Reliability , Vol.10, Issue 3, pp. 374–380, 2010.
  • Система прогнозирования и предупреждения для силовых электронных модулей в электрических, гибридных электрических транспортных средствах и транспортных средствах на топливных элементах, Ю. Xiong и X. Cheng, IEEE Transactions on Industrial Electronics , vol. 55, июнь 2008 г.
  • Ченг, Шуньфэн; Азарян, Майкл Х .; Печт, Майкл Г. (2010). «Сенсорные системы для прогнозирования и управления здоровьем» . Датчики . 10 (6): 5774–5797. DOI : 10.3390 / s100605774 . PMC  3247731 . PMID  22219686 .
  • Cheng, S .; Том, К .; Thomas, L .; Печт, М. (2010). «Беспроводная сенсорная система для прогнозирования и управления здоровьем». Журнал датчиков IEEE . 10 (4): 856–862. Bibcode : 2010ISenJ..10..856C . DOI : 10,1109 / jsen.2009.2035817 .
  • Джаи, Рубика; Печт, Майкл (2010). «Дорожная карта прогнозирования и 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 .
  • Прогнозирование электронных продуктов на основе физики отказов, Майкл Пехт и Джи Гу, Труды Института измерения и контроля 31, 3/4 (2009), стр. 309–322.
  • Сачин Кумар, Василис Сотирис и Майкл Пехт, 2008 г. Оценка состояния электронных изделий с использованием анализа расстояния и проекции Махаланобиса, Международный журнал компьютерных, информационных и системных наук и инженерии , выпуск 2, выпуск 4, стр. 242–250 .
  • Гостевая редакция: Введение в специальный раздел по прогнозированию электронных систем и управлению здоровьем, П. Сандборн и М. Пехт, Надежность микроэлектроники , Vol. 47, No. 12, pp. 1847–1848, декабрь 2007 г.
  • Сэндборн, Пенсильвания; Уилкинсон, К. (2007). «Планирование технического обслуживания и модель развития бизнес-модели для применения прогнозирования и управления здоровьем (PHM) к электронным системам». Надежность микроэлектроники . 47 (12): 1889–1901. DOI : 10.1016 / j.microrel.2007.02.016 .
  • Gu, J .; Barker, D .; Печт, М. (2007). «Прогностическая реализация электроники при вибрационных нагрузках». Надежность микроэлектроники . 47 (12): 1849–1856. DOI : 10.1016 / j.microrel.2007.02.015 .
  • Прогностическая оценка алюминиевой опорной конструкции на печатной плате, С. Мэтью, Д. Дас, М. Остерман, М. Пехт и Р. Фереби Журнал ASME по электронной упаковке, Vol. 128, выпуск 4, стр. 339–345, декабрь 2006 г.
  • Методология оценки оставшегося срока службы электронных продуктов, С. Мэтью, П. Роджерс, В. Эвелой, Н. Вичаре и М. Печт, Международный журнал Performanceability Engineering , Vol. 2, № 4, с. 383–395, октябрь 2006 г.
  • Прогнозирование и управление здоровьем электроники, Н. Вичаре и М. Пехт, IEEE Transactions on Components and Packaging Technologies , Vol. 29, No. 1, март 2006 г.

Внешние ссылки [ править ]

  • Prognostics Journal - это журнал с открытым доступом, который представляет собой международный форум для электронной публикации оригинальных исследований и статей о промышленном опыте во всех областях системного прогнозирования.
  • Международный журнал прогнозирования и управления здоровьем
  • Общество прогнозирования и управления здоровьем (PHM Society) - международная некоммерческая профессиональная организация, занимающаяся продвижением PHM как инженерной дисциплины.
  • Центр прогнозирования и управления системным здоровьем при Городском университете Гонконга занимается разработкой технологий PHM, которые могут принести пользу отраслям за счет повышения их конкурентоспособности и прибыльности.
  • China PHM Society - некоммерческая организация, созданная для удовлетворения ключевых потребностей китайского сообщества в отношении качества, надежности, ремонтопригодности, безопасности и устойчивости.
  • Ежегодная конференция Общества PHM - это ежегодная международная конференция, посвященная исключительно PHM.
  • Программа Joint Strike Fighter вложила значительные средства в PHM и связанные с ним технологии [1] .
  • Центр повышения жизненного цикла техники (Calce) в Университете штата Мэриленд, Колледж - Парк имеет группу посвященный предоставлению научно - исследовательской базы и базы знаний для поддержки улучшения управления здравоохранением с акцентом на электронику.
  • IEEE Aerospace Conference представляет собой один из старейших треков по прогнозированию и управлению здоровьем.
  • Общество технологий предотвращения отказов машинного оборудования (MFPT) проводит ежегодное собрание, на котором рассматриваются последние разработки в практических приложениях в области PHM.
  • Центр передового опыта в области прогнозирования (PCoE) в исследовательском центре NASA Ames Research Center обеспечивает основу для разработки прогнозных технологий, применяемых в аэрокосмических приложениях. Он также поддерживает репозиторий данных с общедоступными наборами данных об отказе.
  • Исследовательская группа PHM французского института FEMTO-ST разрабатывает методы и эксперименты для прогнозирования промышленных систем.