کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5019425 1468202 2017 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Weighted-feature and cost-sensitive regression model for component continuous degradation assessment
ترجمه فارسی عنوان
مدل رگرسیون حساس وزن و حساس برای ارزیابی تضعیف مستمر مولفه
کلمات کلیدی
تعمیر و نگهداری مبتنی بر شرایط، حساس به هزینه ارزیابی تضعیف مداوم، رگرسیون بردار ویژگی، انتخاب بردار ویژگی، دارای قابلیت وزن
ترجمه چکیده
مدل های معمول هدایت داده برای ارزیابی تخریب مؤلفه سعی می کنند به طور متوسط ​​دقت برآورد در کل داده های موجود را به حداقل برسانند. با این حال، به علت اندازه داده های خاص و / یا علاقه تمرینکنندگان در حالت های مختلف تخریب، اختلال در حالت های مختلف تخریب وجود دارد. به طور خاص، تجهیزات قابل اعتماد ممکن است دوره های طولانی در حالت های تخریب سطح پایین و زمان های کوتاه در سطح بالا تجربه کنند. سپس، مدل های آموزش یافته متعارف ممکن است منجر به اضافه کردن حالت های تخریب سطح پایین شود، زیرا اندازه داده های آنها حالت های تخریب سطح بالا را خفه می کند. در عمل، معمولا جالب تر است که نتایج دقیق در حالت های تخریب سطح بالا جالب باشد، زیرا آنها به ناتوانی تجهیزات نزدیک تر است. بنابراین، در طول آموزش یک مدل مبتنی بر داده ها، هزینه های خطای بزرگتر باید به نقاط داده با حالت های تخریب سطح بالا اختصاص داده شود زمانی که هدف آموزش به حداقل برسد هزینه های کل در مجموعه داده های آموزشی. در این مقاله، یک روش کارآمد برای محاسبه هزینه های داده های تخریب مداوم پیشنهاد شده است. با توجه به تاثیر متفاوتی از ویژگی های خروجی، یک استراتژی وزن با وزن برای توسعه مدل مبتنی بر داده ها یکپارچه شده است. داده های واقعی نشت پمپ های خنک کننده راکتور برای نشان دادن کاربرد و اثربخشی روش پیشنهادی استفاده شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی مکانیک
پیش نمایش مقاله
مدل رگرسیون حساس وزن و حساس برای ارزیابی تضعیف مستمر مولفه
چکیده انگلیسی
Conventional data-driven models for component degradation assessment try to minimize the average estimation accuracy on the entire available dataset. However, an imbalance may exist among different degradation states, because of the specific data size and/or the interest of the practitioners on the different degradation states. Specifically, reliable equipment may experience long periods in low-level degradation states and small times in high-level ones. Then, the conventional trained models may result in overfitting the low-level degradation states, as their data sizes overwhelm the high-level degradation states. In practice, it is usually more interesting to have accurate results on the high-level degradation states, as they are closer to the equipment failure. Thus, during the training of a data-driven model, larger error costs should be assigned to data points with high-level degradation states when the training objective minimizes the total costs on the training dataset. In this paper, an efficient method is proposed for calculating the costs for continuous degradation data. Considering the different influence of the features on the output, a weighted-feature strategy is integrated for the development of the data-driven model. Real data of leakage of a reactor coolant pump is used to illustrate the application and effectiveness of the proposed approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Reliability Engineering & System Safety - Volume 168, December 2017, Pages 210-217
نویسندگان
, ,