Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "RUL" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Prognostics uncertainty reduction by right-time prediction of remaining useful life based on hidden Markov model and proportional hazard model
    Autorzy:
    Zhiyong, Gao
    Jiwu, Li
    Rongxi, Wang
    Powiązania:
    https://bibliotekanauki.pl/articles/1841790.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    RUL
    uncertainty
    right-time prediction
    PHM
    HMM
    Opis:
    Uncertainty is a key problem in remaining useful life (RUL) prediction, and measures to reduce uncertainty are necessary to make RUL prediction truly practical. In this paper, a right-time prediction method is proposed to reduce the prognostics uncertainty of mechanical systems under unobservable degradation. Correspondingly, the whole RUL prediction process is divided into three parts, including offline modelling, online state estimating and online life predicting. In the offline modelling part, hidden Markov model (HMM) and proportional hazard model (PHM) are built to map the whole degradation path. During operation, the degradation state of the object is estimated in real time. Once the last degradation state reached, the degradation characteristics are extracted, and the survival function is obtained with the fitted PHM. The proposed method is demonstrated on an engine dataset and shows higher accuracy than traditional method. By fusing the extracted degradation characteristics, the obtained survival function can be basis for optimal maintenance with lower uncertainty.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 154-164
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognostics uncertainty reduction by right-time prediction of remaining useful life based on hidden Markov model and proportional hazard model
    Autorzy:
    Zhiyong, Gao
    Jiwu, Li
    Rongxi, Wang
    Powiązania:
    https://bibliotekanauki.pl/articles/1841766.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    RUL
    uncertainty
    right-time prediction
    PHM
    HMM
    Opis:
    Uncertainty is a key problem in remaining useful life (RUL) prediction, and measures to reduce uncertainty are necessary to make RUL prediction truly practical. In this paper, a right-time prediction method is proposed to reduce the prognostics uncertainty of mechanical systems under unobservable degradation. Correspondingly, the whole RUL prediction process is divided into three parts, including offline modelling, online state estimating and online life predicting. In the offline modelling part, hidden Markov model (HMM) and proportional hazard model (PHM) are built to map the whole degradation path. During operation, the degradation state of the object is estimated in real time. Once the last degradation state reached, the degradation characteristics are extracted, and the survival function is obtained with the fitted PHM. The proposed method is demonstrated on an engine dataset and shows higher accuracy than traditional method. By fusing the extracted degradation characteristics, the obtained survival function can be basis for optimal maintenance with lower uncertainty.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 154-164
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Podejmowanie decyzji eksploatacyjnych w oparciu o fuzję różnego typu danych
    Maintenance Decision Making based on different types of data fusion
    Autorzy:
    Galar, D.
    Gustafson, A.
    Tormos, B.
    Berges, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/301602.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    eksploracja danych
    pozostały okres użytkowania (RUL)
    fuzja danych
    monitorowanie stanu
    CMMS
    data mining
    RUL
    data fusion
    condition monitoring
    Opis:
    Over the last decade, system integration is applied more as it allows organizations to streamline business processes. A recent development in the asset engineering management is to leverage the investment already made in process control systems. This allows the operations, maintenance, and process control teams to monitor and determine new alarm level based on the physical condition data of the critical machines. Condition-based maintenance (CBM) is a maintenance philosophy based on this massive data collection, wherein equipment repair or replacement decisions depend on the current and projected future health of the equipment. Since, past research has been dominated by condition monitoring techniques for specific applications; the maintenance community lacks a generic CBM implementation method based on data mining of such vast amount of collected data. The methodology would be relevant across different domains. It is necessary to integrate Condition Monitoring (CM) data with management data from CMMS (Computer Maintenance Management Systems) which contains information, such as: component failures, failure information related data, servicing or repairs, and inventory control and so on. These systems are the core of traditional scheduled maintenance practices and rely on bulk observations from historical data to make modifications to regulated maintenance actions. The most obvious obstacle in the integration of CMMS, process and CM data is the disparate nature of the data types involved, and there have benn several attempts to remedy this problem. Although, there have been many recent efforts to collect and maintain large repositories of these types of data, there have been relatively few studies to identify the ways these to datasets could be related. This paper attempts to fulfill that need by proposing a combined data mining-based methodology for CBM considering CM data and Historical Maintenance Management data. It shows a system integration of physical and management data that also supports business intelligence and data mining where data sets can be combined in non-traditional ways.
    W ostatniej dekadzie coraz częściej stosuje się integrację systemów, która pozwala przedsiębiorstwom zwiększać wydajność procesów biznesowych. Nowością w zarządzaniu infrastrukturą techniczną jest zwiększanie efektywności już poczynionych inwestycji w systemy kontroli procesów. Pozwala to zespołom do spraw operacyjnych, utrzymania ruchu oraz kontroli procesów monitorować i ustalać nowe poziomy alarmowe na podstawie danych o stanie fizycznym maszyn krytycznych. Utrzymanie urządzeń zależne od ich bieżącego stanu technicznego (condition-based maintenance, CBM) to filozofia utrzymania ruchu opierająca się na tym masowym poborze danych, wedle której decyzje dotyczące naprawy lub wymiany sprzętu zależą od jego obecnego oraz przewidywanego przyszłego stanu technicznego. Ponieważ dotychczasowe badania były zdominowane przez problem technik monitorowania stanu dla konkretnych aplikacji, nie opracowano ogólnej metody wdrażania CBM opartej na eksploracji (data mining ) owych olbrzymich ilości zebranych danych, która miałaby zastosowanie w różnych domenach. Konieczna jest integracja danych z monitorowania stanu (condition monitoring, CM) z danymi dotyczącymi zarządzania pochodzącymi ze skomputeryzowanych systemów zarządzania utrzymaniem ruchu (CMMS), które zawierają informacje na temat uszkodzeń elementów składowych, dane związane z uszkodzeniami, a także informacje dotyczące obsługi lub napraw czy sterowania zapasami. Systemy te stanowią podstawę tradycyjnych praktyk obsługi planowej, a zasadzają się na całościowych obserwacjach dokonywanych na podstawie danych eksploatacyjnych, które pozwalają modyfikować regulowane działania obsługowe. Najbardziej oczywistą przeszkodą w integracji danych CMMS, danych procesowych oraz danych z monitorowania stanu jest rozbieżność ich natury. Dotychczas podjęto jedynie kilka prób rozwiązania tego problemu. Chociaż ostatnio wiele wysiłku włożono w gromadzenie i utrzymanie dużych zasobów tego typu danych, istnieje stosunkowo niewiele badań na temat możliwych sposobów powiązania owych zestawów danych. W prezentowanej pracy poczyniono próbę wypełnienia tej luki proponując metodologię łączoną opartą na eksploracji danych dla celów CBM, która bierze pod uwagę dane z monitorowania stanu i eksploatacyjne dane z zarządzania ruchem. W pracy przedstawiono integrację systemową danych fizycznych i danych z zarządzania, która wspiera także analitykę biznesową (business intelligence) oraz eksplorację danych, gdzie zestawy danych można łączyć w sposób nietradycyjny.
    Źródło:
    Eksploatacja i Niezawodność; 2012, 14, 2; 135-144
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning
    Autorzy:
    Wu, Chenchen
    Sun, Hongchun
    Lin, Senmiao
    Gao, Sheng
    Powiązania:
    https://bibliotekanauki.pl/articles/2038032.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    rolling bearings
    remaining useful life
    RUL
    convolutional neural networks
    CNN
    transfer learning
    TL
    Opis:
    The accurate prediction of the remaining useful life (RUL) of rolling bearings is of immense importance in ensuring the safe and smooth operation of machinery and equipment. Although the prediction accuracy has been improved by a predictive model based on deep learning, it is still limited in engineering because lots of models use single-scale features to predict and assume that the degradation data of each bearing has a consistent distribution. In this paper, A deep convolutional migration network based on spatial pyramid pooling (SPP-CNNTL) is proposed to obtain higher prediction accuracy with self-extraction of multi-feature from the original vibrating signal. And to consider the differences of the data distribution in different failure types, transfer learning (TL) added with maximum mean difference (MMD) measurement function is used in the RUL prediction part. Finally, the data of IEEE PHM 2012 Challenge is used for verification, and the results show that the method in this paper has high prediction accuracy.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 685-694
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of remaining useful life for lithium-ion battery with multiple health indicators
    Autorzy:
    Su, Chun
    Chen, Hongjing
    Wen, Zejun
    Powiązania:
    https://bibliotekanauki.pl/articles/1841757.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lithium-ion (Li-ion) battery
    remaining useful life
    RUL
    health indicator
    HI
    generalized regression neural network (GRNN)
    non-linear autoregressive (NAR)
    Opis:
    Lithium-ion (Li-ion) battery has become a primary energy form for a variety of engineering equipments. To ensure the equipments’ reliability, it is crucial to accurately predict Liion battery’s remaining capacity as well as its remaining useful life (RUL). In this study, we propose a novel method for Li-ion battery’s online RUL prediction, which is based on multiple health indicators (HIs) and can be derived from the battery’s historical operation data. Firstly, four types of indirect HIs are built according to the battery’s operation current, voltage and temperature data respectively. On this basis, a generalized regression neural network (GRNN) is presented to estimate the battery’s remaining capacity, and the nonlinear autoregressive approach (NAR) is applied to predict the battery’s RUL based on the estimated capacity value. Furthermore, to reduce the interference, twice wavelet denoising are performed with different thresholds. A case study is conducted with a NASA battery dataset to demonstrate the effectiveness of the method. The result shows that the proposed method can obtain Li-ion batteries’ RUL effectively.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 176-183
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of remaining useful life for lithium-ion battery with multiple health indicators
    Autorzy:
    Su, Chun
    Chen, Hongjing
    Wen, Zejun
    Powiązania:
    https://bibliotekanauki.pl/articles/1841833.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lithium-ion (Li-ion) battery
    remaining useful life (RUL)
    health indicator (HI)
    generalized regression neural network (GRNN)
    non-linear autoregressive (NAR)
    Opis:
    Lithium-ion (Li-ion) battery has become a primary energy form for a variety of engineering equipments. To ensure the equipments’ reliability, it is crucial to accurately predict Liion battery’s remaining capacity as well as its remaining useful life (RUL). In this study, we propose a novel method for Li-ion battery’s online RUL prediction, which is based on multiple health indicators (HIs) and can be derived from the battery’s historical operation data. Firstly, four types of indirect HIs are built according to the battery’s operation current, voltage and temperature data respectively. On this basis, a generalized regression neural network (GRNN) is presented to estimate the battery’s remaining capacity, and the nonlinear autoregressive approach (NAR) is applied to predict the battery’s RUL based on the estimated capacity value. Furthermore, to reduce the interference, twice wavelet denoising are performed with different thresholds. A case study is conducted with a NASA battery dataset to demonstrate the effectiveness of the method. The result shows that the proposed method can obtain Li-ion batteries’ RUL effectively.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 176-183
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies