مدلی جهت تعیین وضعیت زوال تجهیزات دوار و تعیین عمر مفید باقی مانده، با رویکرد جدیدی به تلفیق و پیش بینی شاخص سلامت

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 88

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MME-19-10_004

تاریخ نمایه سازی: 10 اسفند 1403

چکیده مقاله:

پایش وضعیت یکی از مهم ترین تکنیک های مدیریت سلامت تجهیزات و نگهداری و تعمیرات (نگهداشت) مبتنی بر شرایط است. در چرخه متدلوژی مدیریت سلامت و پیش بینی عیوب (PHM) که به نوعی شکل توسعه یافته تری برای نگهداشت مبتنی بر شرایط (CBM) است، ارزیابی وضعیت به عنوان مهم ترین جزء این چرخه به شمار می آید. در این تحقیق مدلی ارائه شده است که مبتنی بر آن می توان با استفاده از ارزیابی وضعیت تجهیز، عمر مفید باقی مانده (RUL) تخمین زده شود. در این مدل با استفاده از تعریف یک شاخص سلامت جدید برای ارتعاش تجهیز (Kurtosis-Entropy)، شبیه سازی و پیش بینی آن با استفاده از مدل مارکوف رژیم سوئیچینگ خودرگرسیون، وضعیت سلامت تجهیز تعیین می شود. پیش از پیش بینی وضعیت تجهیز، مراحل زوال، با استفاده از خوشه بندی C- میانگین فازی تعیین شده است. مطابق با وضعیت فعلی تجهیز و وضعیت های از پیش تعیین شده زوال، عمر مفید باقی مانده تجهیز تخمین زده می شود. به منظور ارزیابی مدل از داده های آزمایشگاهی انیستیتوی FEMTO-ST که به منظور پیش بینی عمر مفید باقی مانده بی رینگ فراهم شده، استفاده و نتایج مطالعه با مدل های رقیب مقایسه شده است. نوآوری این مقاله استفاده توام از خوشه بندی فازی رویکرد جدیدی به تئوری شواهد برای تلفیق داده ها و استفاده از مدل مارکوف رژیم سوییچینگ، برای پیش بینی است.

کلیدواژه ها:

Remaining Useful Life (RUL) ، Prognostics & Health Management (PHM) ، Autoregressive Markov Regime Switching (ARMRS) ، Health Index (HI) ، Theory of Evidence ، Fuzzy clustering ، Kurtosis-Entropy ، Feature ، Degradation ، عمر مفید باقی مانده ، مدیریت سلامت و پیش بینی عیوب ، مدل مارکوف رژیم سوییچینگ خودرگرسیون ، شاخص سلامت ، تئوری شواهد ، زوال

نویسندگان

سعید رمضانی

School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran

علیرضا معینی

School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran

محمد ریاحی

School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Lee J, Wu F, Zhao W, Ghaffari M, Liao L, ...
  • Ramos AL, Ferreira JV, Barceló J. Model-based systems engineering: An ...
  • Kan MS, Tan ACC, Mathew J. A review on prognostic ...
  • An D, Kim NH, Choi JH. Practical options for selecting ...
  • Rai A, Upadhyay SH. A review on signal processing techniques ...
  • Mosallam A, Medjaher K, Zerhouni N. Data-driven prognostic method based ...
  • Deng Y, Barros A, Grall A. Degradation modeling based on ...
  • Wang T. Bearing life prediction based on vibration signals: A ...
  • Sutrisno E, Oh H, Vasan ASS, Pecht M. Estimation of ...
  • Kimotho JK, Sondermann-Woelke C, Meyer T, Sextro W. Machinery prognostic ...
  • Hong Sh, Zhou Z, Zio E, Wang W. An adaptive ...
  • Hong Sh, Zhou Z, Zio E, Hong K. Condition assessment ...
  • Lei Y, Li N, Guo L, Li N, Yan T, ...
  • Soualhi A, Medjaher K, Zerhouni N. Bearing health monitoring based ...
  • Nie Y, Wan J. Estimation of remaining useful life of ...
  • Zhang B, Zhang L, Xu J. Degradation feature selection for ...
  • Guo L, Gao H, Huang H, He X, Li SC. ...
  • Mosallam A, Medjaher K, Zerhouni N. Time series trending for ...
  • Li N, Lei Y, Lin J, Ding SX. An improved ...
  • Wang L, Zhang L, Wang XZ. Reliability estimation and remaining ...
  • Ahmad W, Khan SA, Islam MM, Kim JM. A reliable ...
  • Lei Y, Li N, Lin J. A new method based ...
  • Niu G, Qian F, Choi BK. Bearing life prognosis based ...
  • Huang Z, Xu Z, Ke X, Wang W, Sun Y. ...
  • Cheng Z. Residual useful life prediction for rolling element bearings ...
  • Trinh HC, Kwon YK. An empirical investigation on a multiple ...
  • Ren L, Sun Y, Cui J, Zhang L. Bearing remaining ...
  • Ren L, Sun Y, Wang H, Zhang L. Prediction of ...
  • Wang J, Liang Y, Zheng Y, Gao RX, Zhang F. ...
  • Boškoski P, Gašperin M, Petelin D. Bearing fault prognostics based ...
  • Guo L, Li N, Jia F, Lei Y, Lin J. ...
  • Ali JB, Chebel-Morello B, Saidi L, Malinowski S, Fnaiech F. ...
  • Zhao M, Tang B, Tan Q. Bearing remaining useful life ...
  • Liao L, Jin W, Pavel R. Enhanced restricted Boltzmann machine ...
  • Wang ZQ, Hu CH, Fan HD. Real-time remaining useful life ...
  • Benkedjouh T, Medjaher K, Zerhouni N, Rechak S. Remaining useful ...
  • Lei Y, Li N, Gontarz S, Lin J, Radkowski S, ...
  • Kumar A, Chinnam RB, Tseng F. An HMM and polynomial ...
  • Li Y, Li H, Wang B, Gu H. Rolling element ...
  • Bektas O, Jones JA, Sankararaman S, Roychoudhury I, Goebel K. ...
  • Singleton RK, Strangas EG, Aviyente S. Extended Kalman filtering for ...
  • Wang Y, Peng Y, Zi Y, Jin X, Tsui KL. ...
  • Medjaher K, Zerhouni N, Baklouti J. Data-driven prognostics based on ...
  • Loutas TH, Roulias D, Georgoulas G. Remaining useful life estimation ...
  • Pan Y, Er MJ, Li X, Yu H, Gouriveau R. ...
  • Fumeo E, Oneto L, Anguita D. Condition based maintenance in ...
  • Liu Y, Hu X, Zhang W. Remaining useful life prediction ...
  • Javed K, Gouriveau R, Zerhouni N. Novel failure prognostics approach ...
  • Tian Z. An artificial neural network method for remaining useful ...
  • Javed K, Gouriveau R, Zemouri R, Zerhouni N. Features selection ...
  • Pearson RK. Outliers in process modeling and identification. IEEE Transactions ...
  • Narendra Babu C, Eswara Reddy B. A moving-average filter based ...
  • Bezdek JC, Ehrlich R, Full W. FCM: The fuzzy c-means ...
  • Aguayo L, Barreto GA. Novelty Detection in Time Series Using ...
  • Cheng C, Sa-Ngasoongsong A, Beyca O, Le T, Yang H, ...
  • Cempel C. Simple condition forecasting techniques in vibroacoustical diagnostics. Mechanical ...
  • Elghazel W, Bahi J, Guyeux C, Hakem M, Medjaher K, ...
  • Ordóñez C, Lasheras FS, Roca-Pardiñas J, de Cos Juez FJ. ...
  • Pham HT, Tran VT, Yang BS. A hybrid of nonlinear ...
  • Song Y, Liu D, Yang C, Peng Y. Data-driven hybrid ...
  • Zhou Y, Huang M. Lithium-ion batteries remaining useful life prediction ...
  • Hinchi AZ, Tkiouat M. Rolling element bearing remaining useful life ...
  • Rai A, Upadhyay SH. The use of MD-CUMSUM and NARX ...
  • Ali JB, Fnaiech N, Saidi L, Chebel-Morello B, Fnaiech F. ...
  • Samanta B, Al-Balushi KR. Artificial neural network based fault diagnostics ...
  • Zheng X, Fang H. An integrated unscented Kalman filter and ...
  • Andre D, Nuhic A, Soczka-Guth T, Sauer DU. Comparative study ...
  • Cui L, Wang X, Xu Y, Jiang H, Zhou J. ...
  • Li YS, Billington S, Zhang C, Kurfess T, Danyluk S, ...
  • Hamilton JD. A new approach to the economic analysis of ...
  • Perlin M. MS_Regress-the Matlab package for markov regime switching models. ...
  • Shafer G. A mathematical theory of evidence. Princeton: Princeton University ...
  • Sentz K. Combination of evidence in Dempster-Shafer theory. Albuquerque: Sandia ...
  • Nectoux P, Gouriveau R, Medjaher K, Ramasso E, Chebel-Morello B, ...
  • نمایش کامل مراجع