کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5006637 1461479 2017 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data
ترجمه فارسی عنوان
معماری مدل سازی هیبرید و کاربرد آن برای تشخیص و پیش آگهی با داده های گم شده
کلمات کلیدی
ترجمه چکیده
پیشرفت تکنولوژی شامل اینترنت چیزها، محاسبات ابری و داده های بزرگ، چشم انداز جدیدی را در محاسبه قابلیت اطمینان، قابلیت نگهداری، دسترسی و ایمنی بوسیله ترکیب مدل سازی مبتنی بر فیزیک و مدل سازی مبتنی بر داده ها به دست می دهد. این مقاله معماری را برای پیاده سازی مدل ترکیبی بر اساس تلفیق داده های واقعی و داده های مصنوعی به دست آمده در شبیه سازی ها با استفاده از یک مدل مبتنی بر فیزیک پیشنهاد می کند. این معماری دارای دو سطح تجزیه و تحلیل است: یک فرآیند آنلاین انجام شده به صورت محلی و مجازی راه اندازی در ابر انجام شده است. نتایج اولیه در تجزیه و تحلیل تشخیص شکست برای جلوگیری از شکست های آینده، در حالی که دوم منجر به هر دو تشخیص و پیش آگهی. معماری مدل ترکیبی پیشنهاد شده در زمینه ماشین آلات چرخش با استفاده از تحلیل دامنه و دامنه متغیر تایید شده است. یک مدل چندبخشی و یک الگوریتم یادگیری نیمه نظارتی برای انجام مدل سازی ترکیبی استفاده می شود. وضعیت تحمل عنصر نورد مورد تجزیه و تحلیل قرار گرفته و نتایج دقیق برای تشخیص خطا، مکان و اندازه گیری به دست آمده است. اطلاعات متنی دقت نتایج را افزایش می دهد؛ نتایج حاصل از این مدل می تواند به بهبود تصمیم گیری تعمیر و نگهداری و برنامه ریزی تولید کمک کند. کار آینده شامل یک رویکرد تحلیل پیشگیرانه است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
چکیده انگلیسی
The advances in technology involving internet of things, cloud computing and big data mean a new perspective in the calculation of reliability, maintainability, availability and safety by combining physics-based modelling with data-driven modelling. This paper proposes an architecture to implement hybrid modelling based on the fusion of real data and synthetic data obtained in simulations using a physics-based model. This architecture has two levels of analysis: an online process carried out locally and virtual commissioning performed in the cloud. The former results in failure detection analysis to avoid upcoming failures whereas the latter leads to both diagnosis and prognosis. The proposed hybrid modelling architecture is validated in the field of rotating machinery using time-domain and frequency-domain analysis. A multi-body model and a semi-supervised learning algorithm are used to perform the hybrid modelling. The state of a rolling element bearing is analysed and accurate results for fault detection, localisation and quantification are obtained. The contextual information increases the accuracy of the results; the results obtained by the model can help improve maintenance decision making and production scheduling. Future work includes a prescriptive analysis approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 108, October 2017, Pages 152-162
نویسندگان
, , , , ,