DOI: 10.17586/2226-1494-2019-19-6-1094-1105


УДК 004.852

ИДЕНТИФИКАЦИЯ СТАДИИ ДЕГРАДАЦИИ ОБОРУДОВАНИЯ В СИСТЕМАХ СЕРВИСНОГО ОБСЛУЖИВАНИЯ ПРЕВЕНТИВНОГО ТИПА

Тимофеев А.В., Денисов В.М.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Тимофеев А.В., Денисов В.М. Идентификация стадии деградации оборудования в системах сервисного обслуживания превентивного типа // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 6. С. 1094–1105. doi: 10.17586/2226-1494-2019-19-6-1094-1105


Аннотация
Предмет исследования. Предложен новый способ организации систем превентивного сервисного обслуживания (включая системы обслуживания по состоянию и системы предсказательного обслуживания), основанных на использовании современных методов машинного обучения и функционирующих с привлечением оригинального, непараметрического метода идентификации текущей фазы деградации обслуживаемого оборудования. Метод. Предложенный подход заключается в сведении задачи идентификации текущей фазы деградации оборудования к интервальному оцениванию величины параметра «индекс здоровья» оборудования, представляющего собой ступенчатую функцию. Аргументами этой функции является некоторый набор измеримых параметров, объективно характеризующих состояние оборудования. Текущая фаза деградации оборудования определяется с использованием классификационного подхода, в рамках которого на основании анализа наблюдаемых данных, принимается решение о том, какому классу (фазе состояния) эти данные соответствуют. В качестве данных, используемых для идентификации стадии деградации оборудования, рассматриваются измерения от группы сенсоров в общем случае различной физической природы, которые размещены как на поверхности, так и внутри контролируемого оборудования. Математически предложенный подход сводится к взвешенной комбинации двух классификаторов. Один из классификаторов этой комбинации основан на решении группы задач бинарной классификации. Второй классификатор базируется на оценивании параметра «оставшийся срок полезного использования» методом непараметрической регрессии. Основные результаты. В отличие от традиционных, предложенный подход использует минимум априорной информации о принципах функционирования и устройстве обслуживаемого оборудования и основан на использовании ступенчатой функции «индекс здоровья» оборудования. Новизна подхода заключена в одновременном использовании ступенчатой функции «индекс здоровья» и взвешенной
комбинации двух классификаторов различной структуры. Разработанный метод показал положительные результаты при его тестировании на базе данных C-MAPPS Dataset, которая содержит данные об отказах турбовентиляторных двигателей, смоделированных с использованием термодинамической имитационной модели. Предотказный статус оборудования идентифицирован с вероятностью 99 %. Практическая значимость. Полученные результаты и алгоритм могут быть использованы в системах превентивного обслуживания с целью высоконадежной идентификации текущей стадии деградации оборудования

Ключевые слова: предсказательное обслуживание, обслуживание по состоянию, машинное обучение, ML PdM, XGBoost, SVM-регрессия

Список литературы
  1. Peng Y., Dong M., Zuo M.-J. Current status of machine prognostics in condition-based maintenance: a review // International Journal of Advanced Manufacturing Technology. 2010. V. 50. N 1-4. P. 297–313. doi: 10.1007/s00170-009-2482-0
  2. Grall A., Dieulle L., Berenguer C., Roussignol M. Continuous-time predictive-maintenance scheduling for a deteriorating system // IEEE Transactions on Reliability. 2002. V. 51. N 2. P. 141–150. doi: 10.1109/TR.2002.1011518
  3. Ramasso E. Investigating computational geometry for failure prognostics // International Journal of Prognostics and Health Management. 2014. V. 5. N 1. P. 005.
  4. Fumeo E., Oneto L., Anguita D. Condition based maintenance in railway transportation systems based on big data streaming analysis // Procedia Computer Science. 2015. V. 53. P. 437–446. doi: 10.1016/j.procs.2015.07.321
  5. Li Y., Billington S., Zhang C., Kurfess T., Danyluk S., Liang S. Adaptive prognostics for rolling element bearing condition // Mechanical Systems and Signal Processing. 1999. V. 13. N 1. P. 103–113. doi: 10.1006/mssp.1998.0183
  6. Frelicot C. A fuzzy-based prognostic adaptive system // Journal Europeen des Systemes Automatises. 1996. V. 30. N 2-3. P. 281–299.
  7. Kothamasu R., Huang S.H., VerDuin W.H. System health monitoring and prognostics – a review of current paradigms and practices // International Journal of Advanced Manufacturing Technology. 2006. V. 28. N 9. P. 1012–1024. doi: 10.1007/s00170-004-2131-6
  8. Goebel K., Saha B., Saxena A., Celaya J.R., Christophersen J.P. Prognostics in battery health management // IEEE Instrumentation and Measurement Magazine. 2008. V. 11. N 4. P. 33–40. doi: 10.1109/MIM.2008.4579269
  9. Dong M., He D., Banerjee P., Keller J. Equipment health diagnosis and prognosis using hidden semi-Markov models // International Journal of Advanced Manufacturing Technology. 2006. V. 30. N 7-8. P. 738–749. doi: 10.1007/s00170-005-0111-0
  10. Wang W.Q., Golnaraghi M.F., Ismail F. Prognosis of machine health condition using neuro-fuzzy systems // Mechanical Systems and Signal Processing. 2004. V. 18.N 4. P. 813–831. doi: 10.1016/S0888-3270(03)00079-7
  11. Shetty P., Mylaraswamy D., Ekambaram T. A hybrid prognostic model formulation and health estimation of auxiliary power units // Journal of Engineering for Gas Turbines and Power. 2008. V. 130. N 2. P. 021601. doi: 10.1115/1.2795761
  12. Lee J.-M., Yoo C., Lee I.-B. On-line batch process monitoring using a consecutively updated multiway principal component analysis model // Computers and Chemical Engineering. 2003. V. 27.N 12. P. 1903–1912. doi: 10.1016/S0098-1354(03)00151-0
  13. Garga A.K., McClintic K.T., Campbell R.L., Yang C.-C., Lebold M.S., Hay T.A. Byington CS. Hybrid reasoning for prognostic learning in CBM systems // IEEE Aerospace Conference Proceedings. 2001. V. 6. P. 2957–2969. doi: 10.1109/AERO.2001.931316
  14. Ramasso E. Investigating computational geometry for failure prognostics in presence of imprecise health indicator: Results and comparisons on C-MAPSS datasets // Proc. 2nd European Conference of the PHM Society 2014 (PHME14). 2014. V. 5.
  15. Medjaher K., Zerhouni N., Baklouti J. Data-driven prognostics based on health indicator construction: Application to pronostia's data // Proc. 12th European Control Conference (ECC 2013). 2013. P. 1451–1456.
  16. Susto G.A., Schirru A., Pampuri S., McLoone S., Beghi A. Machine learning for predictive maintenance: A multiple classifier approach // IEEE Transactions on Industrial Informatics. 2015. V. 11. N 3. P. 812–820. doi:10.1109/TII.2014.2349359
  17. Summary of the 2018 Department of defense artificial intelligence strategy. harnessing ai to advance our security and prosperity [Электронный ресурс]. URL:https://media.defense.gov/2019/Feb/12/2002088963/-1/-1/1/SUMMARY-OF-DOD-AI-STRATEGY.PDF (дата обращения: 18.10.2019).
  18. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection // Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence (IJCAI). 1995. V. 2(12). P. 1137–1143.
  19. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, August 13-17, 2016. P. 785–794. doi:10.1145/2939672.2939785
  20. Mason L., Baxter J., Bartlett P.L., Frean M. Boosting algorithms as gradient descent // Proc. 13th Annual Neural Information Processing Systems Conference. 1999. P. 512–518.
  21. Li Q., Racine J.S. Nonparametric econometrics: Theory and practice. Princeton University Press, 2007. 768 p.
  22. Zemel R.S., Pitassi T. A gradient-based boosting algorithm for regression problems // Advances in Neural Information Processing Systems. 2001. P. 696–702.
  23. Smola A.J., Schölkopf B. A tutorial on support vector regression // Statistics and Computing. 2004. V. 14. N 3. P. 199–222. doi: 10.1023/B:STCO.0000035301.49549.88
  24. Тимофеев А.В. Параметрическая оптимизация структуры консолидирующего решения в биометрических системах идентификации личности // Научно-технический вестник информационных технологий, механики и оптики. 2014. Т. 14. № 3(91). С. 96–102.
  25. Saxena A., Goebel K. Turbofan engine degradation simulation data set. [Электронный ресурс]. URL: https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository (дата обращения: 14.06.2018).
  26. Saxena A., Goebel K., Simon D., Eklund N. Damage propagation modeling for aircraft engine run-to-failure simulation // Proc. International Conference on Prognostics and Health Management (PHM 2008). 2008. P. 22–34. doi: 10.1109/PHM.2008.4711414
  27. Al-Salah T.H., Zein-Sabatto S., Bodruzzaman M. Decision fusion software system for turbine engine fault diagnostics // Proc. IEEE SoutheastCon, (SOUTHEASTCON 2012). 2012. P. 1–6. doi: 10.1109/SECon.2012.6197000
  28. Coble J., Hines J.W. Applying the general path model to estimation of remaining useful life // International Journal of Prognostics and Health Management. 2011. V. 2. P. 1–13.
  29. Hu C., Youn B., Wang P., Taek Yoon J. Ensemble of data-driven prognostic algorithms for robust prediction of remaining useful life // Reliability Engineering and System Safety. 2012. V. 103. P. 120–135. doi: 10.1016/j.ress.2012.03.008
  30. Jianzhong S., Hongfu Z., Haibin Y., Pecht M. Study of ensemble learning-based fusion prognostics // Proc. Prognostics and System Health Management Conference, PHM'10. 2010.P. 5414582. doi: 10.1109/PHM.2010.5414582
  31. Liu K., Gebraeel N.Z., Shi J. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis // IEEE Transactions on Automation Science and Engineering. 2013. V. 10. N 3. P. 652–664. doi: 10.1109/TASE.2013.2250282
  32. Pitz K., Anderl R. Implementing clustering and classification approaches for big data with MATLAB // Advances in Intelligent Systems and Computing. 2019. V. 880. P. 458–480. doi: 10.1007/978-3-030-02686-8_35
  33. Peng H.C., Long F., Ding C. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2005. V. 27. N 8. P. 1226–1238. doi: 10.1109/TPAMI.2005.159


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2019 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика