Prognozowanie trwałości środków technicznych z wykorzystaniem wielu wskaźników degradacji i zdarzeń awaryjnych w ujęciu modelu ciągłej przestrzeni stanów

• Autorzy: Zhou Y. , Ma L. , Mathew J. , Sun Y. , Wolff R.

Warianty tytułu

EN

Asset life prediction using multiple degradation indicators and failure events: a continuous state space model approach

• Języki publikacji: EN

Abstrakty

EN

Two practical issues are involved in asset life prediction using degradation indicators: (1) identifying uncertain failure thresholds of degradation indicators and (2) fusing multiple degradation indicators extracted from condition monitoring data. The state space degradation model provides an effective approach to address these two issues. However, existing research on the state space degradation model largely adopts a discrete time or states assumption which requires equal inspection intervals or discretising continuous degradation indicators. To remove the discrete time and states assumptions, this paper proposes a Gamma-based state space model. The Gamma process has a monotonically increasing property that is consistent with the irreversible degradation processes of engineering assets within a single maintenance cycle. The monotonically increasing property also makes the establishment of the likelihood function more straightforward when failure times are considered. In this paper, parameter estimation and lifetime prediction algorithms for the Gamma-based state space model are developed. In addition, an effectiveness evaluation approach for indicators in degradation modelling is established. The proposed Gamma-based state space model and algorithms are validated using both simulated data and a field dataset from a liquefied natural gas company.

PL

Prognozowanie trwałości środków z wykorzystaniem wskaźników degradacji wiąże się z dwoma zagadnieniami praktycznymi:(1) identyfikacją progów niepewnego uszkodzenia dla wskaźników degradacji oraz (2) łączeniem licznych wskaźników degradacji otrzymanych na podstawie danych z monitorowania stanu. Model degradacji w przestrzeni stanów stanowi efektywne podejście do tych dwóch zagadnień. Jednakże dotychczasowe badania dotyczące tego modelu w dużej mierze przyjmują założenie dyskretnego czasu lub dyskretnych stanów, które wymaga równych odstępów między przeglądami lub dyskretyzacji ciągłych wskaźników degradacji. Aby uniknąć konieczności zakładania dyskretnego czasu i dyskretnych stanów, w niniejszej pracy zaproponowano model przestrzeni stanów oparty na procesie Gamma. Proces Gamma charakteryzuje własność monotoniczna rosnącą, która odpowiada nieodwracalnym procesom degradacji środków technicznych w trakcie jednego cyklu serwisowego. Własność monotoniczna rosnąca ułatwia również ustalenie funkcji prawdopodobieństwa, gdy brane są pod uwagę czasy uszkodzeń. W artykule sformułowano algorytmy estymacji parametrów oraz prognozowania czasu życia dla modelu przestrzeni stanów opartego na procesie Gamma. Dodatkowo określono metodę oceny efektywności wskaźników w modelowaniu degradacji. Proponowany model przestrzeni stanów oparty na procesie Gamma oraz jego algorytmy weryfikowano przy użyciu danych symulacyjnych oraz danych terenowych pozyskanych z przedsiębiorstwa zajmującego się ciekłym gazem ziemnym.

Słowa kluczowe

EN

asset life prediction; degradation model; expectation-maximisation algorithm; state space model

PL

prognozowanie trwałości środków; model degradacji; algorytm maksymalizacji wartości oczekiwanej; model przestrzeni stanów

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2009
• Tom: nr 4
• Strony: 72--81
• Opis fizyczny: Bibliogr. 28 poz.

Twórcy

autor

Zhou Y.

autor

Ma L.

autor

Mathew J.

autor

Sun Y.

autor

Wolff R.

• CRC of Integrated Engineering Asset Management (CIEAM) School of Engineering Systems Queensland University of Technology Brisbane, Australia,

Bibliografia

• 1. Arulampalam M S, Maskell S, Gordon N, Clapp T. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking. IEEE Transactions on Signal Processing 2002; 50: 174-188.
• 2. Banjevic D, Jardine A K S. Calculation of reliability function and remaining useful life for a Markov failure time process. IMA J Management Math 2006; 17: 115-130.
• 3. Christer A H, Wang W, Sharp J M. A state space condition monitoring model for furnace erosion prediction and replacement. European Journal of Operational Research 1997; 101: 1-14.
• 4. Cinlar E, Osman E, Bazant Z. Stochastic process for extrapolating concrete creep, Journal of Engineering Mechanics Division 1977; 103: 1069-1088.
• 5. Cox D R. Regression models and life-tables. Journal of the Royal Statistical Society. Series B (Methodological) 1972; 34: 187-220.
• 6. Dempster A P, Laird N M, Rubin D. B. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society. Series B (Methodological) 1977; 39: 1-38.
• 7. Huang H Z, Zuo M J, Sun Z Q. Bayesian reliability analysis for fuzzy lifetime data. Fuzzy Sets and Systems 2006; 157: 1674-1686.
• 8. Jiang R, Jardine A K S. Composite scale modelling in the presence of censored data. Reliability Engineering & System Safety 2006; 91: 756-764.
• 9. Kallen M J, Noortwijk J M V. Optimal maintenance decisions under imperfect inspection. Reliability Engineering & System Safety 2005; 90: 177-185.
• 10. Kim J. Parameter estimation in stochastic volatility models with missing data using particle methods and the EM algorithm, Ph.D. Thesis, University of Pittsburgh, Pennsylvania, April, 2005
• 11. Lawless J, Crowder M. Covariates and random effects in a Gamma process model with application to degradation and failure. Lifetime Data Analysis 2004; 10: 213-227.
• 12. Liao H, Zhao W, Guo H. Predicting remaining useful life of an individual unit using proportional hazards model and logistic regression model. California, 2006; 2006 Annual Reliability and Maintainability Symposium.
• 13. Liao H, Elsayed E A, Chan L-Y. Maintenance of continuously monitored degrading systems. European Journal of Operational Research 2006; 175: 821-835.
• 14. Lin D, Banjevic D, Jardine A K S. Using principal components in a proportional hazards model with applications in conditionbased maintenance. The Journal of the Operational Research Society 2006; 57: 910.
• 15. Liu Y, Huang H Z. Comment on ‘‘A framework to practical predictive maintenance modeling for multi-state systems” by Tan C.M. and Raghavan N. [Reliab Eng Syst Saf 2008; 93(8): 1138–50]. Reliability Engineering and System Safety 2009; 94: 776-780.
• 16. Makis V, Wu J, GaoY. An application of DPCA to oil data for CBM modelling. European Journal of Operational Research 2006; 174: 112-123.
• 17. Makis V, Jiang X. Optimal replacement under partial observations. Mathematics of Operations Research 2003; 28: 382.
• 18. Noortwijk J M V. A survey of the application of gamma processes in maintenance. Reliability Engineering & System Safety 2009; 94: 2-21.
• 19. Park C, Padgett WJ. New cumulative damage models for failure using stochastic processes as initial damage. IEEE Transactions on Reliability 2005; 54: 530-540.
• 20. Peng W, Huang H Z, Zhang X, Liu Y, Li Y. Reliability based optimal preventive maintenance policy of series-parallel systems. Eksploatacja i Niezawodność - Maintenance and Reliability; 2009; 2: 4-7.
• 21. Simon J G, Arnaud D, Mike W. Monte Carlo smoothing for nonlinear time series. Journal of the American Statistical Association 2004; 99: 156.
• 22. Wang W. A prognosis model for wear prediction based on oil-based monitoring. Journal of the Operational Research Society 2007; 58: 887-893.
• 23. Wang W. A model to predict the residual life of rolling element bearings given monitored condition information to date. IMA Journal of Management Mathematics 2002; 13: 3.
• 24. Whitmore G A, Crowder M J, Lawless J F. Failure inference from a marker process based on a bivariate Wiener model. Lifetime Data Analysis 1998; 4: 229-251.
• 25. Wu C F J. On the convergence properties of the EM algorithm. The Annals of Statistics 1983; 11: 95-103.
• 26. Yan J, Koc M, Lee J. A prognostic algorithm for machine performance assessment and its application. Production Planning & Control 2004; 15: 796 - 801.
• 27. Yuan X. Stochastic modelling of deterioration in nuclear power plant components, Ph.D. Thesis, Civil and Environmental Engineering, University of Waterloo, 2007.
• 28. Zhou Y, Sun Y, Mathew J, Wolff R, Ma L. Latent Degradation Indicators Estimation and Prediction: a Monte Carlo Approach. Mechanical Systems and Signal Processing, revised version submitted.