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 "life prediction" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Fatigue life prediction of wire rope based on grey particle filter method under small sample condition
    Autorzy:
    Zhao, Dan
    Liu, Yu-Xin
    Ren, Xun-Tao
    Gao, Jing-Zi
    Liu, Shao-Gang
    Dong, Li-Qiang
    Cheng, Ming-Shen
    Powiązania:
    https://bibliotekanauki.pl/articles/2038206.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    wire rope
    fatigue life prediction
    small sample size
    grey theory
    particle filter method
    Opis:
    The fatigue life prediction of wire ropes has two main characteristics: a large test sample size and uncertain factors. In this paper, based on the small number of wire rope fatigue life data, the grey particle filter method has been used to realize the fatigue life prediction of wire rope under different load conditions. First, the GOM(1,1) model is constructed and the reliability life data of wire rope is predicted under small sample size. Then, P-S-N curve of the dangerous part is determined by combining the equivalent alternating stress of the dangerous part of the wire rope during the fatigue test. Subsequently, the particle filter method is used to modify P-S-N curve. Finally, the fatigue life prediction model of wire rope is obtained based on fatigue damage accumulation, which realized the fatigue life prediction under different load conditions, and the results were compared with that from the test. The results show that the proposed method is effective and has high accuracy in wire rope fatigue life prediction under single, combined loading conditions and small sample size.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 3; 454-467
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A novel method of health indicator construction and remaining useful life prediction based on deep learning
    Autorzy:
    Zhan, Xianbiao
    Liu, Zixuan
    Yan, Hao
    Wu, Zhenghao
    Guo, Chiming
    Jia, Xisheng
    Powiązania:
    https://bibliotekanauki.pl/articles/27312791.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    stacked sparse autoencoder
    health indicator
    long short-term memory network
    remaining useful life prediction
    Opis:
    The construction of health indicators (HI) for traditional deep learning requires human training labels and poor interpretability. This paper proposes an HI construction method based on Stacked Sparse Autoencoder (SSAE) and combines SSAE with Long short-term memory (LSTM) network to predict the remaining useful life (RUL). Extracting features from a single domain may result in insufficient feature extraction and cannot comprehensively reflect the degradation status information of mechanical equipment. In order to solve the problem, this article extracts features from time domain, frequency domain, and time-frequency domain to construct a comprehensive original feature set. Based on monotonicity, trendiness, and robustness, the most sensitive features from the original feature set are selected and put into the SSAE network to construct HI for state partitioning, and then LSTM is used for RUL prediction. By comparing with the existing methods, it is proved that the prediction effect of the proposed method in this paper is satisfied.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 171374
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie trwałości środków technicznych z wykorzystaniem wielu wskaźników degradacji i zdarzeń awaryjnych w ujęciu modelu ciągłej przestrzeni stanów
    Asset life prediction using multiple degradation indicators and failure events: a continuous state space model approach
    Autorzy:
    Zhou, Y.
    Ma, L.
    Mathew, J.
    Sun, Y.
    Wolff, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/301478.pdf
    Data publikacji:
    2009
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    prognozowanie trwałości środków
    model degradacji
    algorytm maksymalizacji wartości oczekiwanej
    model przestrzeni stanów
    asset life prediction
    degradation model
    expectation-maximisation algorithm
    state space model
    Opis:
    Prognozowanie trwałości środków z wykorzystaniem wskaźników degradacji wiąże się z dwoma zagadnieniami praktycznymi:(1) identyfikacją progów niepewnego uszkodzenia dla wskaźników degradacji oraz (2) łączeniem licznych wskaźników degradacji otrzymanych na podstawie danych z monitorowania stanu. Model degradacji w przestrzeni stanów stanowi efektywne podejście do tych dwóch zagadnień. Jednakże dotychczasowe badania dotyczące tego modelu w dużej mierze przyjmują założenie dyskretnego czasu lub dyskretnych stanów, które wymaga równych odstępów między przeglądami lub dyskretyzacji ciągłych wskaźników degradacji. Aby uniknąć konieczności zakładania dyskretnego czasu i dyskretnych stanów, w niniejszej pracy zaproponowano model przestrzeni stanów oparty na procesie Gamma. Proces Gamma charakteryzuje własność monotoniczna rosnącą, która odpowiada nieodwracalnym procesom degradacji środków technicznych w trakcie jednego cyklu serwisowego. Własność monotoniczna rosnąca ułatwia również ustalenie funkcji prawdopodobieństwa, gdy brane są pod uwagę czasy uszkodzeń. W artykule sformułowano algorytmy estymacji parametrów oraz prognozowania czasu życia dla modelu przestrzeni stanów opartego na procesie Gamma. Dodatkowo określono metodę oceny efektywności wskaźników w modelowaniu degradacji. Proponowany model przestrzeni stanów oparty na procesie Gamma oraz jego algorytmy weryfikowano przy użyciu danych symulacyjnych oraz danych terenowych pozyskanych z przedsiębiorstwa zajmującego się ciekłym gazem ziemnym.
    Two practical issues are involved in asset life prediction using degradation indicators: (1) identifying uncertain failure thresholds of degradation indicators and (2) fusing multiple degradation indicators extracted from condition monitoring data. The state space degradation model provides an effective approach to address these two issues. However, existing research on the state space degradation model largely adopts a discrete time or states assumption which requires equal inspection intervals or discretising continuous degradation indicators. To remove the discrete time and states assumptions, this paper proposes a Gamma-based state space model. The Gamma process has a monotonically increasing property that is consistent with the irreversible degradation processes of engineering assets within a single maintenance cycle. The monotonically increasing property also makes the establishment of the likelihood function more straightforward when failure times are considered. In this paper, parameter estimation and lifetime prediction algorithms for the Gamma-based state space model are developed. In addition, an effectiveness evaluation approach for indicators in degradation modelling is established. The proposed Gamma-based state space model and algorithms are validated using both simulated data and a field dataset from a liquefied natural gas company.
    Źródło:
    Eksploatacja i Niezawodność; 2009, 4; 72-81
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Cycle life prediction of Lithium-ion cells under complex temperature profiles
    Prognozowanie cyklu życia ogniw litowo-jonowych przy złożonych profilach temperaturowych
    Autorzy:
    Liu, T.
    Cheng, L.
    Pan, Z.
    Sun, Q
    Powiązania:
    https://bibliotekanauki.pl/articles/301978.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lithium-ion cells
    capacity fade
    complex temperature profiles
    life prediction
    reliability assessment
    ogniwa litowo-jonowe
    utrata pojemności
    złożone profile temperaturowe
    prognozowanie trwałości
    ocena niezawodności
    Opis:
    Nowadays, the extensive use of Lithium-ion cells requires an accurate life prediction model. Failure of Lithium-ion cells usually results from a gradual and irreversible capacity fading process. Experimental results show that this process is strongly affected by temperature. In engineering applications, researchers often use the regression-based approach to model the capacity fading process over cycles and then perform the cycle life prediction. However, because of neglecting temperature influences, this classic method may lead to significant prediction errors, especially when cells are subject to complex temperature profiles. In this paper, we extend the classic regression-based model by incorporating cell temperature as a predictor. Two effects of temperature on cell capacity are considered. One is the positive effect that high temperature lets a cell discharge more capacity in a cycle; The other is the negative effect that high temperature accelerates cell capacity fading. A cycle life test with six cells are conducted to valid the effectiveness of our method. Results show that the improved model is more suitable to capture the dynamics of cell capacity fading path under complex temperature profiles.
    Obecne szerokie zastosowanie ogniw litowo-jonowych wymaga stworzenia trafnego modelu prognozowania ich trwałości. Uszkodzenia ogniw litowo-jonowych zazwyczaj wynikają ze stopniowego i nieodwracalnego procesu utraty pojemności. Wyniki doświadczeń pokazują, że na ten proces silny wpływ wywiera temperatura. W zastosowaniach inżynieryjnych, naukowcy często wykorzystują podejście oparte na regresji do modelowania procesu utraty pojemności w poszczególnych cyklach by następnie dokonać prognozy trwałości w danym cyklu pracy. Jednakże, ta klasyczna metoda nie bierze po uwagę wpływu temperatury, co może prowadzić do znacznych błędów predykcji, w szczególności, gdy ogniwa pozostają pod wpływem złożonych profili temperaturowych. W prezentowanym artykule, rozszerzono klasyczny model oparty na regresji poprzez włączenie temperatury ogniwa jako czynnika prognostycznego. Przeanalizowano dwa rodzaje wpływu temperatury na pojemność ogniw. Z jednej strony, wysoka temperatura oddziałuje pozytywnie pozwalając ogniwu na uzyskanie większej pojemności w danym cyklu; z drugiej strony jest to wpływ negatywny, ponieważ wysoka temperatura przyspiesza utratę pojemności ogniwa. Przy użyciu sześciu ogniw, przeprowadzono badanie trwałości w danym cyklu pracy w celu potwierdzenia skuteczności naszej metody. Wyniki pokazują, że udoskonalony model pozwala lepiej uchwycić dynamikę ścieżki utraty pojemności ogniwa w warunkach złożonych profili temperaturowych.
    Źródło:
    Eksploatacja i Niezawodność; 2016, 18, 1; 25-31
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Remaining useful life prediction model of the space station
    Model predykcji pozostałego czasu pracy stacji kosmicznej
    Autorzy:
    Li, Xiaopeng
    Huang, Hong-Zhong
    Li, Fuqiu
    Ren, Liming
    Powiązania:
    https://bibliotekanauki.pl/articles/301774.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    space station
    remaining useful life prediction
    key equipment
    key activity
    Monte Carlo simulation
    stacja kosmiczna
    przewidywanie pozostałego czasu pracy
    kluczowy sprzęt
    kluczowe działania
    symulacja Monte Carlo
    Opis:
    Space station is a very complex system, and its remaining useful life will be affected by the key equipment, cosmonauts’ maintenance activities as well as space environments. It is important for the operation management of a space station to predict its remaining useful life (RUL). A valid RUL prediction model is the key foundation for this issue, which motivates the research presented in this paper. Firstly, different types of space station life are defined. Secondly, the function and performance requirements as well as the operation mission program of the space station are analysed, which are further used to confirm the model development precondition. A life prediction model is then proposed by synthetically taking account of the safety, reliability and maintainability restrictions. Finally, the data requirement for supporting the RUL prediction is determined. Based on this work, a comprehensive procedure for RUL prediction model development is constructed for the operation management engineers of the space station. If the data of the development and operation is adequate, RUL prediction of the space station can be well implemented, and can be further leveraged to support the space station operation management.
    Stacja kosmiczna stanowi wysoce złożony system, którego pozostały czas pracy (ang. remaining useful time, RUL) zależy od kluczowego sprzętu, czynności konserwacyjnych przeprowadzanych przez kosmonautów, a także warunków panujących w kosmosie. Zarządzanie operacyjne stacją kosmiczną wymaga przewidywania RUL. Podstawą tego zagadnienia jest stworzenie prawidłowego modelu predykcji RUL, co jest przedmiotem niniejszej pracy. W artykule, w pierwszej kolejności, zdefiniowano różne kategorie czasu pracy stacji kosmicznej na orbicie. Następnie, przeanalizowano wymagania dotyczące funkcji i eksploatacji stacji a także program jej misji operacyjnych. Wyniki tych analiz wykorzystano do weryfikacji wstępnych warunków koniecznych do budowy modelu. W dalszej kolejności, zaproponowano model predykcji czasu pracy stacji, który w sposób syntetyczny uwzględnia ograniczenia dotyczące bezpieczeństwa, niezawodności i możliwości konserwacji. Na koniec określono rodzaje danych wspierających predykcję RUL. Na podstawie opisanych etapów prac skonstruowano kompleksową procedurę opracowywania modeli predykcji RUL dla inżynierów zarządzania operacyjnego pracujących na stacjach kosmicznych. Jeśli dane dotyczące rozwoju i operacji są prawidłowe, zaprojektowany algorytm predykcji pozostałego czasu pracy stacji kosmicznej można z powodzeniem zaimplementować, a także rozszerzyć tworząc skuteczne narzędzie wsparcia personelu zarządzającego pracą stacji kosmicznej.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 3; 501-510
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Integrating advanced measurement and signal processing for reliability decision-making
    Autorzy:
    Kozłowski, Edward
    Antosz, Katarzyna
    Mazurkiewicz, Dariusz
    Sęp, Jarosław
    Żabiński, Tomasz
    Powiązania:
    https://bibliotekanauki.pl/articles/2038057.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    force and torques measurement
    condition monitoring
    cutting tool
    remaining useful life
    prediction
    Opis:
    An advanced milling machine multi-sensor measurement system as a condition monitoring tool was presented. It was assumed that the data collected from the 3-axis force and torque sensor can be used as a new approach and an alternative to the typical vibration signal based health monitoring and remaining useful life prediction (RUL), when integrated with machine learning techniques that are regarded as a powerful solution. Measurement system integration with the proposed signal processing method based on decision trees with different types and levels of wavelets for the cutter reliability decision-making process was presented together with proving their ability to trace the tool condition accurately. Prediction errors achieved with the use of different signal sources and data processing methods were presented and compared.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 777-787
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Useful energy prediction model of a Lithium-ion cell operating on various duty cycles
    Autorzy:
    Burzyński, Damian
    Powiązania:
    https://bibliotekanauki.pl/articles/2087015.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    cycle life modelling
    lithium-ion battery
    machine learning
    predictive models
    useful energy prediction
    Opis:
    The paper deals with the subject of the prediction of useful energy during the cycling of a lithium-ion cell (LIC), using machine learning-based techniques. It was demonstrated that depending on the combination of cycling parameters, the useful energy (RUEc) that can be transferred during a full cycle is variable, and also three different types of evolution of changes in RUEc were identified. The paper presents a new non-parametric RUEc prediction model based on Gaussian process regression. It was proven that the proposed methodology enables the RUEc prediction for LICs discharged, above the depth of discharge, at a level of 70% with an acceptable error, which is confirmed for new load profiles. Furthermore, techniques associated with explainable artificial intelligence were applied to determine the significance of model input parameters – the variable importance method – and to determine the quantitative effect of individual model parameters (their reciprocal interaction) on RUEc – the accumulated local effects model of the first and second order.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 2; 317--329
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Interval Prediction of Remaining Useful Life based on Convolutional Auto-Encode and Lower Upper Bound Estimation
    Autorzy:
    Lyu, Yi
    Zhang, Qichen
    Chen, Aiguo
    Wen, Zhenfei
    Powiązania:
    https://bibliotekanauki.pl/articles/24200839.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    remaining useful life
    lower upper bound estimation
    Long Short-Term Memory
    prediction interval
    Opis:
    Deep learning is widely used in remaining useful life (RUL) prediction because it does not require prior knowledge and has strong nonlinear fitting ability. However, most of the existing prediction methods are point prediction. In practical engineering applications, confidence interval of RUL prediction is more important for maintenance strategies. This paper proposes an interval prediction model based on Long Short-Term Memory (LSTM) and lower upper bound estimation (LUBE) for RUL prediction. First, convolutional auto-encode network is used to encode the multi-dimensional sensor data into one-dimensional features, which can well represent the main degradation trend. Then, the features are input into the prediction framework composed of LSTM and LUBE for RUL interval prediction, which effectively solves the defect that the traditional LUBE network cannot analyze the internal time dependence of time series. In the experiment section, a case study is conducted using the turbofan engine data set CMAPSS, and the advantage is validated by carrying out a comparison with other methods.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 2; art. no. 165811
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A statistical data-based approach to instability detection and wear prediction in radial turning processes
    Metoda wykrywania niestabilności i przewidywania zużycia w procesach toczenia promieniowego w oparciu o dane statystyczne
    Autorzy:
    Jimenez Cortadi, A.
    Boto, F.
    Suarez, A.
    Galar, D.
    Irigoien, I.
    Sierra, B.
    Powiązania:
    https://bibliotekanauki.pl/articles/301148.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    radial turning
    tool-life improvement
    instability detection
    wear prediction
    Linear Mixed Models
    toczenie promieniowe
    poprawa żywotności narzędzi
    wykrywanie niestabilności
    predykcja zużycia
    liniowe modele mieszane
    Opis:
    Radial turning forces for tool-life improvements are studied, with the emphasis on predictive rather than preventive maintenance. A tool for wear prediction in various experimental settings of instability is proposed through the application of two statistical approaches to process data on tool-wear during turning processes: three sigma edit rule analysis and Principal Component Analysis (PCA). A Linear Mixed Model (LMM) is applied for wear prediction. These statistical approaches to instability detection generate results of acceptable accuracy for delivering expert opinion. They may be used for on-line monitoring to improve the processing of different materials. The LMM predicted significant differences for tool wear when turning different alloys and with different lubrication systems. It also predicted the degree to which the turning process could be extended while conserving stability. Finally, it should be mentioned that tool force in contact with the material was not considered to be an important input variable for the model.
    Badano siły występujące w procesie toczenia promieniowego. Celem badań było wydłużenie żywotności narzędzi tokarskich, przy czym główny nacisk kładziono na konserwację predykcyjną, a nie zapobiegawczą. Zaproponowano technikę prognozowania zużycia w różnych warunkach eksperymentalnych niestabilności, która polega na zastosowaniu metod statystycznych do przetwarzania danych dotyczących zużycia narzędzi podczas procesów toczenia. Wykorzystano dwie metody statystycznę: analizę z zastosowaniem reguły trzech sigm oraz analizę głównych składowych (PCA). Do prognozowania zużycia zastosowano liniowy model mieszany (LMM). Omawiane statystyczne podejścia do wykrywania niestabilności generują wyniki o dopuszczalnej dokładności, na podstawie których można formułować opinie eksperckie. Dane te można wykorzystywać do doskonalenia przetwarzania różnych materiałów poprzez monitorowanie w trybie on-line. W przedstawionych badaniach, LMM pozwolił przewidzieć znaczące różnice w zużyciu narzędzia podczas toczenia różnych stopów przy zastosowaniu różnych systemów smarowania. Umożliwił także prognozowanie stopnia, w jakim proces toczenia można przedłużać zachowując jego stabilność. Na koniec należy wspomnieć, że nie brano pod uwagę siły generowanej w kontakcie narzędzia z materiałem jako istotnej zmiennej wejściowej dla modelu.
    Źródło:
    Eksploatacja i Niezawodność; 2018, 20, 3; 405-412
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      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