Analytische Modellierung von Gesundheitsindizes für Prognosen und Gesundheitsmanagement

Das Verständnis des aktuellen Gesundheitszustands komplexer Systeme und ihrer zeitlichen Entwicklung ist ein wichtiger Schritt im Bereich Prognosen und Gesundheitsmanagement (PHM). Bei der Verwaltung einer Flotte komplexer Systeme führen Variationen, die aus der Herstellung, Umweltfaktoren, Missionsprofilen und Wartungspraktiken resultieren, zu unterschiedlichen Verläufen der Gesundheitsindizes (HI). Daher ist es im PHM entscheidend, nicht nur gängige trends auf Flottenebene zu identifizieren, sondern auch individuelle Variationen auf Ebene des einzelnen Vermögenswerts bei der Ableitung von HIs zu berücksichtigen. Während es mehrere datengestützte Ansätze zur Ableitung individueller HIs aus unbeaufsichtigten Lauf-zum-Versagen-Abbaudaten gibt, wurde nur wenig Forschung darauf verwendet, analytische probabilistische Darstellungen von HIs abzuleiten, die sowohl Flottentrends als auch Schwankungen auf Ebene individueller Vermögenswerte umfassen. Diese Arbeit zielt darauf ab, diese Lücke zu schließen, indem sie die Forschungsfrage adressiert, wie eine analytische Darstellung von Wahrscheinlichkeitsverteilungen für die Zeit bis zum Erreichen von intermediären Abbaustufen unter Verwendung von Lauf-zum-Versagen-Daten oder unvollständigen Abbauverläufen aus einer Flotte komplexer Systeme gewonnen werden kann. In dieser Arbeit wird angenommen, dass geeignete, vermögenswertspezifische HI-Kurven durch eine Fusion von Deep-Learning-Techniken und priorisiertem Expertenwissen über Abbauphysik abgeleitet wurden. Vor diesem Hintergrund leiten wir eine analytische probabilistische Beschreibung des Gesundheitsindex (HI) ab, die sowohl Flottentrends als auch vermögenswertspezifische Bedingungen in den Fällen von Gamma- oder Weibull-Verteilungen der Zeit bis zum Versagen (TTF) widerspiegelt. Unser Ansatz beinhaltet die Definition von HIs mit einer Potenzgesetzfunktion, die die Modellierung von TTF und der Zeit bis zum Erreichen von intermediären Abbaustufen ermöglicht. Darüber hinaus erläutern wir das Verfahren zur Schätzung des Potenzgesetzexponenten aus Felddaten mittels Regressionsanalyse und führen eine Sensitivitätsanalyse zu diesem Exponenten durch. Um unsere Methodik zu veranschaulichen, präsentieren wir zwei Fallstudien basierend auf dem N-CMAPPS-Datensatz von Turbofan-Triebwerken und Li-Ionen-Batterien, die die oben genannten Annahmen validieren und die Schritte unserer Methodik illustrieren.