کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7110325 1460672 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hidden-Gamma model-based filtering and prediction approach for monotonic health factors in manufacturing
ترجمه فارسی عنوان
یک روش پنهان گاما مبتنی بر فیلتر کردن و پیش بینی برای عوامل سلامت تک در تولید
کلمات کلیدی
سیستم پشتیبانی تصمیم، توزیع گاما، صنعت 4.0، روش مونت کارلو، فیلترهای ذرات تعمیرات قابل پیش بینی، پیشگیری و مدیریت سلامت، تولید نیمه هادی،
ترجمه چکیده
در زمینه مانیتورینگ هوشمند و شناسایی خطاها و جداسازی در سیستم های صنعتی، هدف از فن آوری های پیشگیری از پیشگیری، پیش بینی وقوع گسل های فرآیند یا تجهیزات است. برای اینکه تکنولوژی پیشبینی تعمیر و نگهداری برای موثر باشد، پیش بینی های آن باید دقیق و به موقع باشد برای تصمیم گیری های استراتژیک در مورد برنامه ریزی تعمیر و نگهداری، در یک چشم انداز بهینه سازی هزینه. تعدادی از فن آوری های پیش بینی کننده تعمیر و نگهداری بر اساس استفاده از عوامل سلامت، شاخص های کمی مرتبط با تجهیزات پوشیدن است که نشان می دهد تکامل تک. در محیط صنعتی واقعی، این شاخص ها معمولا تحت تاثیر سر و صدا اندازه گیری و زمان نمونه گیری غیر یکنواخت قرار می گیرند. در این مقاله، روش ارائه شده به عنوان یک مشکل تصادفی تصادفی ارائه شده است تا به طور مطلوب پیش بینی تکامل عوامل سلامت ذکر شده بر اساس مشاهدات پر سر و صدا و بی نظیر نمونه گیری شود. به طور خاص، یک مدل فرایند گاما پنهان پنهان برای ضبط غیرمعادلی و غیرمعمول مشتق از عامل سلامت پیشنهاد شده است. به همین دلیل مسئله فیلتر کردن به یک راه حل بستگی ندارد، یک رویکرد مونت کارلو عددی مبتنی بر فیلتر کردن ذرات در اینجا مورد استفاده قرار می گیرد. یک روش شناسایی پارامتر انطباقی برای به دست آوردن بهترین نتیجه بین سرعت و حساسیت سر و صدای کم پیشنهاد شده است. علاوه بر این، یک روش شناسایی عملکرد خطر مرتبط با تجهیزات دیده شده بر اساس داده های نگهداری قبلی پیشنهاد شده است. این مطالعه بر اساس یک مشکل واقعی تعمیر و نگهداری پیشگیرانه صنعتی در تولید نیمه هادی ها، با اشاره به تجهیزات اچ کردن خشک، انگیزه و آزمایش شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی هوافضا
پیش نمایش مقاله
یک روش پنهان گاما مبتنی بر فیلتر کردن و پیش بینی برای عوامل سلامت تک در تولید
چکیده انگلیسی
In the context of Smart Monitoring and Fault Detection and Isolation in industrial systems, the aim of Predictive Maintenance technologies is to predict the happening of process or equipment faults. In order for a Predictive Maintenance technology to be effective, its predictions have to be both accurate and timely for taking strategic decisions on maintenance scheduling, in a cost-minimization perspective. A number of Predictive Maintenance technologies are based on the use of “health factors”, quantitative indicators associated with the equipment wear that exhibit a monotone evolution. In real industrial environment, such indicators are usually affected by measurement noise and non-uniform sampling time. In this work we present a methodology, formulated as a stochastic filtering problem, to optimally predict the evolution of the aforementioned health factors based on noisy and irregularly sampled observations. In particular, a hidden Gamma process model is proposed to capture the nonnegativity and nonnegativity of the derivative of the health factor. As such filtering problem is not amenable to a closed form solution, a numerical Monte Carlo approach based on particle filtering is here employed. An adaptive parameter identification procedure is proposed to achieve the best trade-off between promptness and low noise sensitivity. Furthermore, a methodology to identify the risk function associated to the observed equipment based on previous maintenance data is proposed. The present study is motivated and tested on a real industrial Predictive Maintenance problem in semiconductor manufacturing, with reference to a dry etching equipment.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Control Engineering Practice - Volume 74, May 2018, Pages 84-94
نویسندگان
, , , , ,