مدل مخفی مارکوف با مشاهدات همبستگی خودکار
چکیده:
در این مقاله ، یک مدل مارکوف مخفی با مشاهدات همبسته خودکار (HMM-AO) برای مدیریت مدل تخریب سیستم های تولید طراحی شده است. بر خلاف مدل های استاندارد مارکف مخفی (HMMs)، مشاهدات کنونی در مدل HMM-AO نه تنها به حالت مربوط به سیستم پنهان بستگی دارد بلکه بر مشاهدات قبلی نیز بستگی دارد. الگوریتم جدیدی با استفاده از حداکثر انتظار برای ارزیابی پارامترهای ناشناخته ارائه شده است. علاوه بر این، داده های از گم شده و اختلال که در طول زمان جمع می شوند نیز با اصلاح مدل پیشنهادی مورد توجه قرار می گیرند. سپس دو روش پیش بینی عمر مفید باقی مانده بر اساس مدل HMM-AO توسعه یافته اند. مقادیر پیش بینی شده را با دقت بیشتری می توان به دست آورد، از آنجایی که همبستگی مشاهدات در نظر گرفته شده است و تکامل زمانی فرایندهای تخریب به درستی توصیف شده است. یک مورد مطالعه نشان دادن مزایای HMM-AO و ثابت کردن دقت و کارایی روش های پیش بینی نشان داده شده است. علاوه بر این، یک سیاست تعمیر و نگهداری بهبود یافته بر اساس نتایج پیش بینی مفید عمر باقی مانده است ایجاد شده است. در نهایت، مقایسه ای با سیاست حفظ حریم خصوصی مبتنی بر شرایط متعارف برای اثبات عملکرد این سیاست پیشنهاد شده ارائه شده است.
1 معرفی
سیاست های نگهداری نقش مهمی در بهبود کارایی سیستم های تولیدی دارند. در سال های اخیر، استراتژی های نگهداری با ترکیب کردن مدل های قابلیت اطمینان مبتنی بر داده ها با داده های مشاهده شده از نظارت بر وضعیت، توجه بیشتری را به خود جلب کرده اند [1-3]. تشخیص و پیش آگهی دو جنبه مهم در چارچوب نگهداری هستند و تا حد زیادی مورد تحقیق قرار گرفته اند [4]. تمرکز سابق بر تشخیص خطا [5] است، در حالی که تمرکز اخیر به ارزیابی وضعیت سلامت فعلی سیستم و همچنین پیش بینی عمر مفید عمر باقیمانده آن (RUL)اختصاص داده شده است. پیش بینی دقیق RUL می تواند به ایجاد یک سیاست نگهداری مقرون به صرفه تر و موثرتر کمک کند.
Abstract
In this paper, a hidden Markov model with auto-correlated observations (HMM-AO) is developed to handle the degradation modeling of manufacturing systems. Unlike the standard hidden Markov models (HMMs), the current observation in the HMM-AO model not only depends on the corresponding hidden system state, but also on the previous observations. A novel algorithm using the expectation maximum is presented to estimate the unknown parameters. Furthermore, missing data and noise that accumulate over time are also considered by modifying the proposed model. Then two remaining useful life prediction methods based on the HMM-AO model are developed. Predictive values of more accuracy can be obtained, since the autocorrelation of observations has been considered and the temporal evolution of degradation processes has been described properly. A case study is illustrated to highlight the advantages of HMM-AO and demonstrate the accuracy and efficiency of the prediction methods. Furthermore, an improved maintenance policy is developed based on the results of remaining useful life prediction. Finally, a comparison with a conventional condition-based maintenance policy is provided to prove the performance of this proposed policy.
1. Introduction
Maintenance policies play important roles in improving the effectiveness of production systems’ operation. In recent years, maintenance strategies combining data-driven reliability models with observed data of condition monitoring has gained more and more attention [1–3]. Diagnosis and prognosis are two important aspects in the framework of maintenance and have been largely researched [4]. The former focuses on the fault detection [5], while the latter devotes to evaluate the current health state of the system as well as to predict its remaining useful life (RUL). An accurate prediction of the RUL could help develop a more economical and effective maintenance policy.
چکیده
1 معرفی
2. مدلسازی تخریب
2.1 مدل های مارکوف پنهان
2.2 مشاهدات وابسته خودکار تخریب
2.3. تخمین پارامتر
2.4 اثر داده های گم شده و اختلال
3. دو روش برای پیش بینی عمر مفید باقی مانده
3.1 روش پیش بینی RUL مبتنی بر حالت
3.2 روش پیش بینی RUL مبتنی بر مشاهدات
4.مطالعه موردی
4.1 تایید روش های پیشگیری RUL
4.2 آنالیز حساسیت در برآورد پارامتر
4.3 مقایسه HMM-AO و HMM استاندارد
5. سیاست حفظ حریم خصوصی مطلوب
5.1 سیاست نگهداری مبتنی بر RUL
5.2 سیاست های نگهداری مبتنی بر حالت
5.3 مقایسه
6. نتیجه
Abstract
1. Introduction
2. Degradation modeling
2.1. Hidden Markov models
2.2. Auto-correlated observations of degradation
2.3. Parameter estimation
2.4. Effects of missing data and noise
3. Two methods for remaining useful life prediction
3.1. State-based RUL prediction method
3.2. Observation-based RUL prediction method
4. Case study
5. Optimal maintenance policy
4.1. Validation of the RUL predication methods
4.2. Sensitivity analysis in parameter estimation
4.3. Comparison between HMM-AO and standard HMM
5. Optimal maintenance policy
5.1. RUL-based maintenance policy
5.2. State-based maintenance policy
5.3. Comparison
6. Conclusion
Appendix
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه