극한 학습 기계 및 퍼지 클러스터링에 기반한 예측을 위한 새로운 다변량 접근법

예측은 품질 관리 및 건강 관리(PHM) 분야의 핵심 프로세스로, 악화되는 기계의 남은 유용 수명(RUL)을 추정하여 서비스 제공 잠재력을 최적화합니다. 그러나 기계는 동적 환경에서 작동하며, 획득한 상태 모니터링 데이터는 일반적으로 노이즈가 많고 높은 수준의 불확실성/예측 불가능성에 영향을 받습니다. 이러한 문제로 인해 예측이 복잡해집니다. 또한, 지상 진실(또는 고장 정의)에 대한 사전 지식이 없을 경우 복잡성이 더욱 증가합니다. 이러한 문제에 대해, 데이터 기반 예측은 시스템 물리학에 대한 깊은 이해 없이도 유용한 솔루션이 될 수 있습니다. 본 논문은 "강화된 다변량 열화 모델링"이라는 새로운 데이터 기반 예측 접근법에 기여하며, 이는 동질적인 패턴을 가정하지 않고 기계의 열화 상태를 모델링할 수 있게 해줍니다. 간단히 말하면, 데이터의 차원 수를 줄이기 위한 예측 가능성 방식이 도입되었습니다. 그 다음, 제안된 예측 모델은 상황 예측 및 이산 상태 추정을 통해 기계의 열화 진화를 보여주기 위해, 합성 웨이브렛-극한 학습 기계와 소거-최대 엔트로피 퍼지 클러스터링이라는 두 가지 새로운 알고리즘을 통합하여 달성됩니다. 예측 모델은 RUL을 현실적으로 추정하기 위해 동적 고장 임계값 할당 절차가 갖춰져 있습니다. 제안을 검증하기 위해, PHM 챌린지 2008(NASA)의 터보팬 엔진 데이터에 대한 사례 연구가 수행되었으며, 결과는 최근 출판물과 비교됩니다.