Key points are not available for this paper at this time.
Die Prognose ist ein zentraler Prozess der Disziplin der Prognose- und Gesundheitsverwaltung (PHM), der die verbleibende Nutzungsdauer (RUL) von verschlechternden Maschinen schätzt, um deren Servicepotenzial zu optimieren. Maschinen arbeiten jedoch in einer dynamischen Umgebung, und die gewonnenen Zustandsüberwachungsdaten sind in der Regel rauschend und unterliegen einem hohen Maß an Unsicherheit/Unvorhersehbarkeit, was die Prognose erschwert. Die Komplexität nimmt weiter zu, wenn es an vorherigem Wissen über die Grundwahrheit (oder Fehlerdefinition) fehlt. Für solche Probleme kann eine datengestützte Prognose eine wertvolle Lösung sein, ohne ein tiefes Verständnis der Systemphysik zu erfordern. Dieses Papier trägt einen neuen datengestützten Prognoseansatz bei, nämlich ein "verbessertes multivariates Degradationsmodell", das es ermöglicht, degradierte Zustände von Maschinen zu modellieren, ohne ein homogenes Muster anzunehmen. Kurz gesagt, ein Vorhersageschema wird eingeführt, um die Dimensionalität der Daten zu reduzieren. Danach wird das vorgeschlagene Prognosemodell durch die Integration zweier neuer Algorithmen erreicht, nämlich der Summationswellen-extremen Lernmaschine und des subtraktiven maximalen Entropie-Fuzzy-Clustering, um die Evolution der Maschinenverschlechterung durch gleichzeitige Vorhersagen und diskrete Zustandsabschätzungen zu zeigen. Das Prognosemodell ist mit einem dynamischen Verfahren zur Zuordnung von Fehlergrenzen ausgestattet, um die RUL auf realistische Weise zu schätzen. Um den Vorschlag zu validieren, wird eine Fallstudie zu Daten von Turbofan-Triebwerken aus der PHM-Challenge 2008 (NASA) durchgeführt, und die Ergebnisse werden mit aktuellen Veröffentlichungen verglichen.
Javed et al. (Mon,) haben diese Frage untersucht.