Wyniki wyszukiwania - BazTech

1

Remaining useful life prediction of a lithium-ion battery based on a temporal convolutional network with data extension

Zhao Jing, Liu Dayong, Meng Lingshuai

International Journal of Applied Mathematics and Computer Science

|

2024

|

Vol. 34, no. 1

105--117

EN

Unmanned underwater vehicles are typically deployed in deep sea environments, which present unique working conditions. Lithium-ion power batteries are crucial for powering underwater vehicles, and it is vital to accurately predict their remaining useful life (RUL) to maintain system reliability and safety. We propose a residual life prediction model framework based on complete ensemble empirical mode decomposition with an adaptive noise-temporal convolutional net (CEEMDAN-TCN), which utilizes dilated causal convolutions to improve the model’s ability to capture local capacity regeneration and enhance the overall prediction accuracy. CEEMDAN is employed to denoise the data and prevent RUL prediction errors caused by local regeneration, and feature expansion is utilized to extend the temporal dimension of the original data. The NASA and CALCE battery capacity datasets are used as input to train the network framework. The output is the current predicted residual capacity, which is compared with the real residual battery capacity. The MAE, RMSE and RE are used as the evaluation indexes of the RUL prediction performance. The proposed network model is verified on the NASA and CACLE datasets. The evaluation results show that our method has better life prediction performance. At the same time, it is proved that both feature expansion and modal decomposition can improve the generalization ability of the model, which is very useful in industrial scenarios.

2

Influence of oil service life on selected performance parameters of an aircraft piston engine

Trendak Michał, Czarnigowski Jacek

Combustion Engines

|

2023

|

R. 62, nr 3

78--83

EN

This article presents an analysis of the influence of oil service life on the performance parameters of an air-craft piston engine lubrication system used in an ultralight aircraft. The ageing of oil between oil changes causes a change in its parameters (such as density, viscosity...). These parameters have a strong influence on the level of protection of the lubricated components. Currently, in aircraft, oil changes are carried out according to a time schedule - oil is changed every fixed period (residual life) regardless of its actual condition. The task of this article is to test the possibility of an indirect assessment of oil condition based on analysis of changes in selected parameters of engine lubrication system operation during normal operation. The oil warm-up speed during the pre-start procedure and the dependence of oil pressure on engine speed were assumed for the analysis. The study was conducted on an ultralight rotorcraft during normal operation. Selected first daily flights directly after oil change, and after 17, 32, 50 and 66 hours of operation were analysed. It was shown that the warm-up rate changes in the samples analyzed, but that this change may also be due to factors other than oil operating time. In the case of the oil pressure vs. speed characteristics, different characteristics were shown for different operating time, but no specific dependencies were found.

3

A study of health management of LWD tool based on data-driven and model-driven

Li Hui, He Zi Hua, Zhang Yu ting, Feng Jin, Jian Zun Yi, Jiang Yi Bo

Acta Geophysica

|

2022

|

Vol. 70, no 2

669--676

EN

Electromagnetic wave logging-while-drilling (LWD) tool plays an important role in unconventional oil and gas exploitation and deep-sea oil and gas resource exploration process. The reliability such as reliable life and durability of the tool can control drilling efficiency and production cost in extreme environmental conditions. In this paper, main faults of the electromagnetic wave LWD tool have been analyzed when it working to the drilling site. Failure time of antenna coils, circuit boards, and power supply have been recorded. Therefore, failure mode and failure mechanism can be analyzed of the tool. Secondly, a fault analysis model of electromagnetic wave LWD tool based on Weibull distribution model has been built up, and by using this fault analysis model the reliable life and the remaining useful life of antenna system can be calculated. The last, the goodness-of-ft test can be operated to Weibull distribution model by using Kolmogorov–Smirnov test. Study results show that the reliability and the law of fault occurrence of electromagnetic wave LWD tool can be directly reflected. And it has practical significance to reliability evaluation of the instrument system and joint optimization of safe operation and maintenance of the tool.

4

Particle swarm-optimized support vector machines and pre-processing techniques for remaining useful life estimation of bearings

Souto Maior Caio Bezerra, das Chagas Moura Márcio, Lins Isis Didier

Eksploatacja i Niezawodność

|

2019

|

Vol. 21, no. 4

610--618

EN

The useful life time of equipment is an important variable related to system prognosis, and its accurate estimation leads to several competitive advantage in industry. In this paper, Remaining Useful Lifetime (RUL) prediction is estimated by Particle Swarm optimized Support Vector Machines (PSO+SVM) considering two possible pre-processing techniques to improve input quality: Empirical Mode Decomposition (EMD) and Wavelet Transforms (WT). Here, EMD and WT coupled with SVM are used to predict RUL of bearing from the IEEE PHM Challenge 2012 big dataset. Specifically, two cases were analyzed: considering the complete vibration dataset and considering truncated vibration dataset. Finally, predictions provided from models applying both pre-processing techniques are compared against results obtained from PSO+SVM without any pre-processing approach. As conclusion, EMD+SVM presented more accurate predictions and outperformed the other models.

PL

Okres użytkowania sprzętu jest ważną zmienną związaną z prognozowaniem pracy systemu, a możliwość jego dokładnej oceny daje zakładom przemysłowym znaczną przewagę konkurencyjną. W tym artykule pozostały czas pracy (Remaining Useful Life, RUL) szacowano za pomocą maszyn wektorów nośnych zoptymalizowanych rojem cząstek (SVM+PSO) z uwzględnieniem dwóch technik przetwarzania wstępnego pozwalających na poprawę jakości danych wejściowych: empirycznej dekompozycji sygnału (Empirical Mode Decomposition, EMD) oraz transformat falkowych (Wavelet Transforms, WT). W niniejszej pracy, EMD i falki w połączeniu z SVM wykorzystano do prognozowania RUL łożyska ze zbioru danych IEEE PHM Challenge 2012 Big Dataset. W szczególności, przeanalizowano dwa przypadki: uwzględniający kompletny zestaw danych o drganiach oraz drugi, biorący pod uwagę okrojoną wersję tego zbioru. Prognozy otrzymane na podstawie modeli, w których zastosowano obie techniki przetwarzania wstępnego porównano z wynikami uzyskanymi za pomocą PSO + SVM bez wstępnego przetwarzania danych. Wyniki pokazały, że model EMD + SVM generował dokładniejsze prognozy i tym samym przewyższał pozostałe badane modele.

5

Health index extracting methodology for degradation modelling and prognosis of mechanical transmissions

Yan Shufa, Ma Biao, Zheng Changsong

Eksploatacja i Niezawodność

|

2019

|

Vol. 21, no. 1

137--144

EN

Condition monitoring and prognosis is a key issue in ensuring stable and reliable operation of mechanical transmissions. Wear in a mechanical transmission, which leads to the production of wear particles followed by severe wear, is a slow degradation process that can be monitored by spectral analysis of oil, but the actual degree of degradation is often difficult to evaluate in practical applications due to the complexity of multiple oil spectra. To solve this problem, a health index extraction methodology is proposed to better characterize the degree of degradation compared to relying solely on spectral oil data, which leads to an accurate estimation of the failure time when the transmission no longer fulfils its function. The health index is extracted using a weighted average method with selection of degradation data with allocation steps for weight coefficients that lead to a reasonable mechanical transmission degradation model. First, the degradation data used as input are selected based on source entropy which can describe the information volume contained in each set of spectral oil data. Then, the weight coefficient of each set of degradation data is modelled by measuring the relative scale of the permutation entropy from the selected degradation data. Finally, the selected degradation data are fused, and the health index is extracted. The proposed methodology was verified using a case study involving a degradation dataset of multispectral oil data sampled from several power-shift steering transmissions.

PL

Monitorowanie i prognozowanie stanu to kluczowa kwestia dla zapewnienia stabilnej i niezawodnej pracy przekładni mechanicznych. Zużycie w przekładni mechanicznej, które prowadzi do wytwarzania cząsteczek zużycia a następnie ciężkiego zużycia, to proces powolnej degradacji, który może być monitorowany poprzez analizę widmową oleju, ale rzeczywisty stopień degradacji często trudno jest ocenić podczas praktycznego użytkowania z uwagi na złożoność wielu widm oleju. W celu rozwiązania powyższego problemu, zaproponowano metodologię ekstrakcji wskaźnika stanu technicznego, aby lepiej scharakteryzować stopień degradacji niż polegając wyłącznie na danych widmowych oleju; pozwala to na dokładne prognozowanie czasu uszkodzenia, gdy przekładnia przestanie spełniać swoją funkcję. Wskaźnik stanu technicznego ekstrahowany jest za pomocą metody średniej ważonej z wyborem danych o degradacji i etapami alokacji dla współczynników wagowych, dając w efekcie odpowiedni model degradacji przekładni mechanicznej. W pierwszym etapie, dane degradacji stosowane jako dane wejściowe wybierane są na podstawie entropii źródłowej, która może opisywać zakres informacji zawarty w każdym zbiorze danych widmowych oleju. Następnie współczynnik wagowy każdego zestawu danych nt. degradacji modelowany jest przez pomiar względnej skali entropii permutacji z wybranych danych degradacji. Na koniec, wybrane dane degradacji są integrowane i ekstrahowany jest wskaźnik stanu technicznego. Zaproponowana metodologia została zweryfikowana przy użyciu studium przypadku obejmującego zbiór wielowidmowych danych dotyczących degradacji oleju pobranego z kilku przekładni kierowniczych wspomaganych.

6

Health index synthetization and remaining useful life estimation for turbofan engines based on run-to-failure datasets

Shi J., Li Y., Wang G., Li X.

Eksploatacja i Niezawodność

|

2016

|

Vol. 18, no. 4

621--631

EN

Turbofan engines will gradually degrade until failure occurs or life ends if without maintenance. Reliable degradation assessment and remaining useful life (RUL) estimation make sense on both aviation safety and rational maintenance decisions. This paper proposes a data-driven prognostic method on the premise of run-to-failure (RtF) data which are multivariate sensory data collected from the engines operating from normal to failure. After necessary pre-processing to the data, clustering analysis is executed to generate the clusters which represent the multi-states of the degradation process. The failure state cluster is extracted, and then the distance between the pre-processed data and the cluster is calculated. Therefore, one-dimensional time series are generated and defined as the health indices. Afterwards the degradation models are built based on the health indices. Finally, the RUL of a testing unit can be estimated by similarity analysis with the models. Hierarchical clustering (HC) and relevance vector machine (RVM) are the main algorithms employed in this paper. To validate the proposition, a case study is performed on turbofan engines data from Prognostics Center of Excellence (PCoE) at NASA Ames Research Center, and sufficient comparisons were given.

PL

Silniki turbowentylatorowe niepoddane konserwacji ulegają stopniowej degradacji aż do czasu wystąpienia uszkodzenia lub zakończenia cyklu życia. Rzetelna ocena degradacji oraz pozostałego okresu użytkowania (RUL) mają wpływ zarówno na bezpieczeństwo maszyn lotniczych jak i racjonalne podejmowanie decyzji dotyczących utrzymania ruchu. W artykule zaproponowano sterowaną danymi metodę prognostyczną opartą na danych o pracy do czasu uszkodzenia (run-to failure, RTF), które są wielowymiarowymi danymi sensorycznymi zbieranymi podczas normalnej pracy silnika aż do jego uszkodzenia. Po niezbędnej wstępnej obróbce danych, przeprowadzono analizę skupień w celu wygenerowania skupień reprezentujących multi-stany procesu degradacji. Wyodrębniono klaster stanów uszkodzenia, a następnie obliczono odległość między wstępnie przetworzonymi danymi a wyodrębnionym klastrem. Następnie wygenerowano jednowymiarowe szeregi czasowe, które zdefiniowano jako wskaźniki stanu technicznego. Na podstawie tych wskaźników zbudowano modele degradacji. Wreszcie, w oparciu o analizę podobieństwa do opracowanych modeli oceniono RUL jednostki testowej. Główne algorytmy zastosowane w niniejszym opracowaniu to algorytmy grupowania hierarchicznego (HC) oraz maszyny wektorów istotnych (RVM). Aby zweryfikować zaproponowaną w pracy metodę, przeprowadzono studium przypadku z wykorzystaniem danych dot. silników turbowentylatorowych pochodzące z Prognostic Center of Excellence (PCoE) przy NASA Ames Research Center oraz przedstawiono odpowiednie porównania.