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 "remaining useful life" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-15 z 15
    Tytuł:
    A data-driven predictive model of the grinding wheel wear using the neural network approach
    Autorzy:
    Lezanski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/99954.pdf
    Data publikacji:
    2017
    Wydawca:
    Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
    Tematy:
    grinding wheel wear
    remaining useful life
    neural network
    Opis:
    Advanced manufacturing depends on the timely acquisition, distribution, and utilization of information from machines and processes. These activities can improve accuracy and reliability in predicting resource needs and allocation, maintenance scheduling, and remaining service life of equipment. Thus, to model the state of tool wear and next to predict its remaining useful life (RUL) significantly increases the sustainability of manufacturing processes. there are many approaches, methods and theories applied to predictive model building. the proposed paper investigates an artificial neural network (ANN) model to predict the wear propagation process of grinding wheel and to estimate the RUL of the wheel when the extrapolated data reaches a predefined final failure value. The model building framework is based on data collected during external cylindrical plunge grinding. Firstly, usefulness of selected features of the measured process variables to be symptoms of grinding wheel state is experimentally verified. Next, issues related to development of an effective MLP model and its use in prediction of the grinding wheel RUL is discussed.
    Źródło:
    Journal of Machine Engineering; 2017, 17, 4; 69-82
    1895-7595
    2391-8071
    Pojawia się w:
    Journal of Machine Engineering
    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:
    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:
    Remaining useful life prediction of cylinder liner based on nonlinear degradation model
    Autorzy:
    Kang, Jianxiong
    Lu, Yanjun
    Zhao, Bin
    Luo, Hongbo
    Meng, Jiacheng
    Zhang, Yongfang
    Powiązania:
    https://bibliotekanauki.pl/articles/2057982.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    remaining useful life
    cylinder liner wear
    nonlinear degradation
    maximum likelihood estimation
    adaptive PDF
    Opis:
    In order to effectively monitor the wear and predict the life of cylinder liner, a nonlinear degradation model with multi-source uncertainty based on Wiener process is established to evaluate the remaining useful life (RUL) of cylinder liner wear. Due to complex service performance of cylinder liner, the uncertainty of operational environment and working conditions of cylinder liner wear are considered into the model by a random function. The probability density function (PDF) formula of RUL is derived, and the maximum likelihood estimation method is adopted to estimate the unknown parameters of PDF. Considering the evaluated parameters as the initial values, the model parameters are updated adaptively, and an adaptive PDF is obtained. Furthermore, the proposed model is compared with two classical degradation models. The results show that the proposed model has a good performance for predicting the life, and the error is within 5%. The method can provide a reference for condition monitoring of cylinder liner wear.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 1; 62--69
    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:
    Remaining useful life prediction with insufficient degradation data based on deep learning approach
    Autorzy:
    Lyu, Yi
    Jiang, Yijie
    Zhang, Qichen
    Chen, Ci
    Powiązania:
    https://bibliotekanauki.pl/articles/2038109.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    deep learning
    remaining useful life
    degradation data
    data amplification
    cycle-consistent generative adversarial network
    Opis:
    Remaining useful life (RUL) prediction plays a crucial role in decision-making in conditionbased maintenance for preventing catastrophic field failure. For degradation-failed products, the data of performance deterioration process are the key for lifetime estimation. Deep learning has been proved to have excellent performance in RUL prediction given that the degradation data are sufficiently large. However, in some applications, the degradation data are insufficient, under which how to improve the prediction accuracy is yet a challenging problem. To tackle such a challenge, we propose a novel deep learning-based RUL prediction framework by amplifying the degradation dataset. Specifically, we leverage the cycle-consistent generative adversarial network to generate the synthetic data, based on which the original degradation dataset is amplified so that the data characteristics hidden in the sample space could be captured. Moreover, the sliding time window strategy and deep bidirectional long short-term memory network are employed to complete the RUL prediction framework. We show the effectiveness of the proposed method by running it on the turbine engine data set from the National Aeronautics and Space Administration. The comparative experiments show that our method outperforms a case without the use of the synthetically generated data.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 745-756
    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:
    Influence of oil service life on selected performance parameters of an aircraft piston engine
    Autorzy:
    Trendak, Michał
    Czarnigowski, Jacek
    Powiązania:
    https://bibliotekanauki.pl/articles/24202468.pdf
    Data publikacji:
    2023
    Wydawca:
    Polskie Towarzystwo Naukowe Silników Spalinowych
    Tematy:
    remaining useful life
    engine oil
    gyrocopter
    gyroplane
    exploitation monitoring
    pozostały okres użytkowania
    olej silnikowy
    żyrokopter
    wiatrakowiec
    monitoring eksploatacji
    Opis:
    This article presents an analysis of the influence of oil service life on the performance parameters of an air-craft piston engine lubrication system used in an ultralight aircraft. The ageing of oil between oil changes causes a change in its parameters (such as density, viscosity...). These parameters have a strong influence on the level of protection of the lubricated components. Currently, in aircraft, oil changes are carried out according to a time schedule - oil is changed every fixed period (residual life) regardless of its actual condition. The task of this article is to test the possibility of an indirect assessment of oil condition based on analysis of changes in selected parameters of engine lubrication system operation during normal operation. The oil warm-up speed during the pre-start procedure and the dependence of oil pressure on engine speed were assumed for the analysis. The study was conducted on an ultralight rotorcraft during normal operation. Selected first daily flights directly after oil change, and after 17, 32, 50 and 66 hours of operation were analysed. It was shown that the warm-up rate changes in the samples analyzed, but that this change may also be due to factors other than oil operating time. In the case of the oil pressure vs. speed characteristics, different characteristics were shown for different operating time, but no specific dependencies were found.
    Źródło:
    Combustion Engines; 2023, 62, 3; 78--83
    2300-9896
    2658-1442
    Pojawia się w:
    Combustion Engines
    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
    Tytuł:
    Towards a health-aware fault tolerant control of complex systems: A vehicle fleet case
    Autorzy:
    Lipiec, Bogdan
    Mrugalski, Marcin
    Witczak, Marcin
    Stetter, Ralf
    Powiązania:
    https://bibliotekanauki.pl/articles/2172125.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    FTCD
    modeling bearings degradation
    remaining useful life prediction
    health aware fault tolerant control
    Takagi-Sugeno model
    przewidywanie pozostałego czasu pracy
    model Takagi-Sugeno
    Opis:
    The paper deals with the problem of health-aware fault-tolerant control of a vehicle fleet. In particular, the development process starts with providing the description of the process along with a suitable Internet-of-Things platform, which enables appropriate communication within the vehicle fleet. It also indicates the transportation tasks to the designated drivers and makes it possible to measure their realization times. The second stage pertains to the description of the analytical model of the transportation system, which is obtained with the max-plus algebra. Since the vehicle fleet is composed of heavy duty machines, it is crucial to monitor and analyze the degradation of their selected mechanical components. In particular, the components considered are ball bearings, which are employed in almost every mechanical transportation system. Thus, a fuzzy logic Takagi–Sugeno approach capable of assessing their time-to-failure is proposed. This information is utilized in the last stage, which boils down to health-aware and fault-tolerant control of the vehicle fleet. In particular, it aims at balancing the exploitation of the vehicles in such a way as to maximize they average time-to-failure. Moreover, the fault-tolerance is attained by balancing the use of particular vehicles in such a way as to minimize the effect of possible transportation delays within the system. Finally, the effectiveness of the proposed approach is validated using selected simulation scenarios involving vehicle-based transportation tasks.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2022, 32, 4; 619--634
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    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:
    Health index extracting methodology for degradation modelling and prognosis of mechanical transmissions
    Metodologia ekstrakcji wskaźnika stanu technicznego do modelowania i prognozowania degradacji przekładni mechanicznych
    Autorzy:
    Yan, Shufa
    Ma, Biao
    Zheng, Changsong
    Powiązania:
    https://bibliotekanauki.pl/articles/300645.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    health index
    mechanical transmission
    condition monitoring
    spectral oil data
    degradation modeling
    remaining useful life
    wskaźnik stanu technicznego
    przekładnia mechaniczna
    monitorowanie stanu
    dane widmowe oleju
    modelowanie degradacji
    pozostały okres użytkowania
    Opis:
    Condition monitoring and prognosis is a key issue in ensuring stable and reliable operation of mechanical transmissions. Wear in a mechanical transmission, which leads to the production of wear particles followed by severe wear, is a slow degradation process that can be monitored by spectral analysis of oil, but the actual degree of degradation is often difficult to evaluate in practical applications due to the complexity of multiple oil spectra. To solve this problem, a health index extraction methodology is proposed to better characterize the degree of degradation compared to relying solely on spectral oil data, which leads to an accurate estimation of the failure time when the transmission no longer fulfils its function. The health index is extracted using a weighted average method with selection of degradation data with allocation steps for weight coefficients that lead to a reasonable mechanical transmission degradation model. First, the degradation data used as input are selected based on source entropy which can describe the information volume contained in each set of spectral oil data. Then, the weight coefficient of each set of degradation data is modelled by measuring the relative scale of the permutation entropy from the selected degradation data. Finally, the selected degradation data are fused, and the health index is extracted. The proposed methodology was verified using a case study involving a degradation dataset of multispectral oil data sampled from several power-shift steering transmissions.
    Monitorowanie i prognozowanie stanu to kluczowa kwestia dla zapewnienia stabilnej i niezawodnej pracy przekładni mechanicznych. Zużycie w przekładni mechanicznej, które prowadzi do wytwarzania cząsteczek zużycia a następnie ciężkiego zużycia, to proces powolnej degradacji, który może być monitorowany poprzez analizę widmową oleju, ale rzeczywisty stopień degradacji często trudno jest ocenić podczas praktycznego użytkowania z uwagi na złożoność wielu widm oleju. W celu rozwiązania powyższego problemu, zaproponowano metodologię ekstrakcji wskaźnika stanu technicznego, aby lepiej scharakteryzować stopień degradacji niż polegając wyłącznie na danych widmowych oleju; pozwala to na dokładne prognozowanie czasu uszkodzenia, gdy przekładnia przestanie spełniać swoją funkcję. Wskaźnik stanu technicznego ekstrahowany jest za pomocą metody średniej ważonej z wyborem danych o degradacji i etapami alokacji dla współczynników wagowych, dając w efekcie odpowiedni model degradacji przekładni mechanicznej. W pierwszym etapie, dane degradacji stosowane jako dane wejściowe wybierane są na podstawie entropii źródłowej, która może opisywać zakres informacji zawarty w każdym zbiorze danych widmowych oleju. Następnie współczynnik wagowy każdego zestawu danych nt. degradacji modelowany jest przez pomiar względnej skali entropii permutacji z wybranych danych degradacji. Na koniec, wybrane dane degradacji są integrowane i ekstrahowany jest wskaźnik stanu technicznego. Zaproponowana metodologia została zweryfikowana przy użyciu studium przypadku obejmującego zbiór wielowidmowych danych dotyczących degradacji oleju pobranego z kilku przekładni kierowniczych wspomaganych.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 1; 137-144
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Health index synthetization and remaining useful life estimation for turbofan engines based on run-to-failure datasets
    Synteza wskaźników stanu technicznego oraz ocena pozostałego okresu użytkowania silników turbowentylatorowych z wykorzystaniem zbiorów danych o pracy do czasu uszkodzenia
    Autorzy:
    Shi, J.
    Li, Y.
    Wang, G.
    Li, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/301447.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    hierarchical clustering
    relevance vector machine
    run-to-failure
    remaining useful life
    health indices
    prognostics
    grupowanie hierarchiczne
    maszyna wektorów istotnych
    praca do czasu uszkodzenia
    pozostały okres użytkowania
    wskaźnik stanu technicznego
    prognostyka
    Opis:
    Turbofan engines will gradually degrade until failure occurs or life ends if without maintenance. Reliable degradation assessment and remaining useful life (RUL) estimation make sense on both aviation safety and rational maintenance decisions. This paper proposes a data-driven prognostic method on the premise of run-to-failure (RtF) data which are multivariate sensory data collected from the engines operating from normal to failure. After necessary pre-processing to the data, clustering analysis is executed to generate the clusters which represent the multi-states of the degradation process. The failure state cluster is extracted, and then the distance between the pre-processed data and the cluster is calculated. Therefore, one-dimensional time series are generated and defined as the health indices. Afterwards the degradation models are built based on the health indices. Finally, the RUL of a testing unit can be estimated by similarity analysis with the models. Hierarchical clustering (HC) and relevance vector machine (RVM) are the main algorithms employed in this paper. To validate the proposition, a case study is performed on turbofan engines data from Prognostics Center of Excellence (PCoE) at NASA Ames Research Center, and sufficient comparisons were given.
    Silniki turbowentylatorowe niepoddane konserwacji ulegają stopniowej degradacji aż do czasu wystąpienia uszkodzenia lub zakończenia cyklu życia. Rzetelna ocena degradacji oraz pozostałego okresu użytkowania (RUL) mają wpływ zarówno na bezpieczeństwo maszyn lotniczych jak i racjonalne podejmowanie decyzji dotyczących utrzymania ruchu. W artykule zaproponowano sterowaną danymi metodę prognostyczną opartą na danych o pracy do czasu uszkodzenia (run-to failure, RTF), które są wielowymiarowymi danymi sensorycznymi zbieranymi podczas normalnej pracy silnika aż do jego uszkodzenia. Po niezbędnej wstępnej obróbce danych, przeprowadzono analizę skupień w celu wygenerowania skupień reprezentujących multi-stany procesu degradacji. Wyodrębniono klaster stanów uszkodzenia, a następnie obliczono odległość między wstępnie przetworzonymi danymi a wyodrębnionym klastrem. Następnie wygenerowano jednowymiarowe szeregi czasowe, które zdefiniowano jako wskaźniki stanu technicznego. Na podstawie tych wskaźników zbudowano modele degradacji. Wreszcie, w oparciu o analizę podobieństwa do opracowanych modeli oceniono RUL jednostki testowej. Główne algorytmy zastosowane w niniejszym opracowaniu to algorytmy grupowania hierarchicznego (HC) oraz maszyny wektorów istotnych (RVM). Aby zweryfikować zaproponowaną w pracy metodę, przeprowadzono studium przypadku z wykorzystaniem danych dot. silników turbowentylatorowych pochodzące z Prognostic Center of Excellence (PCoE) przy NASA Ames Research Center oraz przedstawiono odpowiednie porównania.
    Źródło:
    Eksploatacja i Niezawodność; 2016, 18, 4; 621-631
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Particle swarm-optimized support vector machines and pre-processing techniques for remaining useful life estimation of bearings
    Zastosowanie maszyn wektorów nośnych zoptymalizowanych metodą roju cząstek oraz technik przetwarzania wstępnego do oceny pozostałego okresu użytkowania łożysk
    Autorzy:
    Souto, Maior Caio Bezerra
    das Chagas Moura, Márcio
    Lins, Isis Didier
    Powiązania:
    https://bibliotekanauki.pl/articles/301219.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    big data
    vibration signal
    bearings
    remaining useful life
    empirical mode decomposition
    wavelets transform
    support vector machine
    particle swarm optimization (PSO)
    duże dane
    sygnał drgań
    łożyska
    pozostały okres użytkowania
    empiryczna dekompozycja sygnału
    transformata falkowa
    maszyna wektorów nośnych
    optymalizacja rojem cząstek
    Opis:
    The useful life time of equipment is an important variable related to system prognosis, and its accurate estimation leads to several competitive advantage in industry. In this paper, Remaining Useful Lifetime (RUL) prediction is estimated by Particle Swarm optimized Support Vector Machines (PSO+SVM) considering two possible pre-processing techniques to improve input quality: Empirical Mode Decomposition (EMD) and Wavelet Transforms (WT). Here, EMD and WT coupled with SVM are used to predict RUL of bearing from the IEEE PHM Challenge 2012 big dataset. Specifically, two cases were analyzed: considering the complete vibration dataset and considering truncated vibration dataset. Finally, predictions provided from models applying both pre-processing techniques are compared against results obtained from PSO+SVM without any pre-processing approach. As conclusion, EMD+SVM presented more accurate predictions and outperformed the other models.
    Okres użytkowania sprzętu jest ważną zmienną związaną z prognozowaniem pracy systemu, a możliwość jego dokładnej oceny daje zakładom przemysłowym znaczną przewagę konkurencyjną. W tym artykule pozostały czas pracy (Remaining Useful Life, RUL) szacowano za pomocą maszyn wektorów nośnych zoptymalizowanych rojem cząstek (SVM+PSO) z uwzględnieniem dwóch technik przetwarzania wstępnego pozwalających na poprawę jakości danych wejściowych: empirycznej dekompozycji sygnału (Empirical Mode Decomposition, EMD) oraz transformat falkowych (Wavelet Transforms, WT). W niniejszej pracy, EMD i falki w połączeniu z SVM wykorzystano do prognozowania RUL łożyska ze zbioru danych IEEE PHM Challenge 2012 Big Dataset. W szczególności, przeanalizowano dwa przypadki: uwzględniający kompletny zestaw danych o drganiach oraz drugi, biorący pod uwagę okrojoną wersję tego zbioru. Prognozy otrzymane na podstawie modeli, w których zastosowano obie techniki przetwarzania wstępnego porównano z wynikami uzyskanymi za pomocą PSO + SVM bez wstępnego przetwarzania danych. Wyniki pokazały, że model EMD + SVM generował dokładniejsze prognozy i tym samym przewyższał pozostałe badane modele.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 4; 610-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-15 z 15

      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