Wyniki wyszukiwania - BazTech

1

Forecasting study of mains reliability based on sparse field data and perspective state space models

Valis David, Forbelská Marie, Vintr Zdeněk

Eksploatacja i Niezawodność

|

2020

|

Vol. 22, no. 2

179--191

EN

The elements of critical infrastructure have to meet demanding dependability, safety and security requirements. The article deals with the prognosis of water mains reliability while using sparse irregular filed data. The data are sparse because the only thing we know is the number of mains failures during a given month. Since it is possible to transform the data into a typical reliability measure (rate of failure occurrence – ROCOF), we can examine the course of this measure development in time. In order to model and predict the ROCOF development, we suggest novel single and multiple error state space models. The results can be used for i) optimizing mains operation and maintenance, ii) estimating life cycle cost, and iii) planning crisis management.

PL

Elementy infrastruktury krytycznej muszą spełniać wysokie wymagania w zakresie niezawodności, bezpieczeństwa i ochrony. Artykuł dotyczy prognozowania niezawodności sieci wodociągowej przy wykorzystaniu nieregularnie rejestrowanych rzadkich danych. Wykorzystane w pracy dane są rzadkie, ponieważ dostarczają jedynie informacji na temat liczby uszkodzeń wodociągu w danym miesiącu. Przekształcenie tych danych w typową miarę niezawodności (wskaźnik występowania uszkodzeń – ROCOF), pozwala zbadać przebieg rozwoju tej miary w czasie. Rozwój ROCOF można modelować i przewidywać za pomocą zaproponowanych w pracy innowacyjnych modeli przestrzeni stanów uwzględniających pojedynczy błąd lub wiele błędów. Uzyskane wyniki można wykorzystać do i) optymalizacji pracy i eksploatacji sieci wodociągowej, ii) szacowania kosztów cyklu życia, oraz iii) planowania zarządzania kryzysowego.

2

Nonlinear state-space predictive control with on-line linearisation and state estimation

Ławryńczuk M.

International Journal of Applied Mathematics and Computer Science

|

2015

|

Vol. 25, no. 4

833--847

EN

This paper describes computationally efficient model predictive control (MPC) algorithms for nonlinear dynamic systems represented by discrete-time state-space models. Two approaches are detailed: in the first one the model is successively linearised on-line and used for prediction, while in the second one a linear approximation of the future process trajectory is directly found on-line. In both the cases, as a result of linearisation, the future control policy is calculated by means of quadratic optimisation. For state estimation, the extended Kalman filter is used. The discussed MPC algorithms, although disturbance state observers are not used, are able to compensate for deterministic constant-type external and internal disturbances. In order to illustrate implementation steps and compare the efficiency of the algorithms, a polymerisation reactor benchmark system is considered. In particular, the described MPC algorithms with on-line linearisation are compared with a truly nonlinear MPC approach with nonlinear optimisation repeated at each sampling instant.

3

Disturbance modeling and state estimation for offset-free predictive control with state-space process models

Tatjewski P.

International Journal of Applied Mathematics and Computer Science

|

2014

|

Vol. 24, no. 2

313--323

EN

Disturbance modeling and design of state estimators for offset-free Model Predictive Control (MPC) with linear state-space process models is considered in the paper for deterministic constant-type external and internal disturbances (modeling errors). The application and importance of constant state disturbance prediction in the state-space MPC controller design is presented. In the case with a measured state, this leads to the control structure without disturbance state observers. In the case with an unmeasured state, a new, simpler MPC controller-observer structure is proposed, with observation of a pure process state only. The structure is not only simpler, but also with less restrictive applicability conditions than the conventional approach with extended process-and-disturbances state estimation. Theoretical analysis of the proposed structure is provided. The design approach is also applied to the case with an augmented state-space model in complete velocity form. The results are illustrated on a 2 x 2 example process problem.

4

Analiza złożoności obliczeniowej algorytmów identyfikacji liniowych procesów powtarzalnych metodami podprzestrzeni

Kujawa D.

Metody Informatyki Stosowanej

|

2010

|

nr 2 (23)

73-84

PL

Zaproponowane modyfikacje algorytmów identyfikacji systemów powtarzalnych opartych na metodach podprzestrzeni wykorzystują sekwencje sygnałów wejściowych uk+1( p) i wyjściowych y k+1(p) z bieżącego pasa i sekwencje sygnałów wyjściowych y k ( p) z poprzedniego pasa do obliczeń macierzy i rzędu systemu powtarzalnego. Złożoność obliczeniowa algorytmu MOESP jest mniejsza niż algorytmu N4SID. Metody podprzestrzeni identyfikują przykładowy proces powtarzalny około 1000 razy szybciej niż metody błędu predykcji. Obliczenia złożoności algorytmów mogą być użyteczne w wyborze szybkiego i wykorzystującego mniejsze zasoby algorytmu identyfikacji nie tylko dla stacjonarnych liniowych procesów powtarzalnych ale także dla procesów, których dynamika zmienia się skokowo z pasa na pas.

EN

This paper presents a new approach to the identification of repetitive processes subspace methods. Computational complexity of new algorithms has been developed. The order of a linear repetitive process and the unknown process matrices are determined based on the input and output sequences of the actual pass and the output sequence of the previous pass. The identification procedure can be restarted consecutively starting from the first pass data and boundary conditions. The calculation of the complexity of algorithms may be useful in selecting a fast and using less resources algorithm not only for time invariant linear repetitive processes but also for processes which dynamics changes rapidly from pass to pass.

5

Metoda filtru cząsteczkowego

Brzozowska-Rup K., Dawidowicz A.L.

Matematyka Stosowana : matematyka dla społeczeństwa

|

2009

|

T. 10/51

69-107

EN

This paper provides an introduction to the field of sequential Monte Carlo methods which are also known as particle filters methods. The best known algorithm to solve the problem of non-linear non-Gaussian filtering is the Extended Kalman Filter (EKF) but in settings where the dynamics are significantly non-linear or the noise intensities are high, the EKF can perform quite poorly. Particle filtering methods are powerful tools for online estimation and tracking in nonlinear and non-Gaussian dynamical systems. The basic idea is to approximate the probability density function [...] by a discrete cloud of points [...] called particles. They commonly consist of three steps: (1) drawing samples in the state-space of the system, (2) computing proper importance weights of each sample and (3) resampling. These methods are becoming increasingly popular in economics and finance so the objective of this paper is to explain the basic assumptions of the methodology and provide references to relevant literature.

PL

Celem pracy jest zaprezentowanie idei metod filtracji opartych na sekwencyjnej metodzie Monte Carlo, w literaturze nazywanych również metodami filtru cząsteczkowego oraz odniesienia do odpowiedniej literatury. Istotęo mawianych algorytmów przedstawiamy rozważając problem estymacji silnie nieliniowych i niegaussowskich modeli przestrzeni stanów. W praktyce bowiem w takich przypadkach dobrze znany i najczęściej wykorzystywany algorytm rozszerzonego filtru Kalmana (ang. Extended Kalman Filter, EKF) może wykazywać istotną nieefektywność. Idea filtru cząsteczkowego polega na estymacji rozkładu prawdopodobieństwa rozkładem empirycznym wyznaczonym na podstawie cząsteczek, tzw. "chmury punktów". Zaimplementowanie algorytmu filtru cząsteczkowego wymaga zasadniczo przeprowadzenia trzech procedur: (1) losowania cząsteczek z odpowiednio dobranej sekwencyjnej funkcji ważności, (2) określenia istotności cząsteczek, (3) powtórnego losowania, tzw. resampling. Metody te są coraz bardziej popularne w dziedzinie ekonomii, statystyki, medycynie i teorii sygnałów.

6

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

Zhou Y., Ma L., Mathew J., Sun Y., Wolff R.

Eksploatacja i Niezawodność

|

2009

|

nr 4

72-81

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.

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.