“
近期,我们介绍了一系列历届故障预测与健康管理(PHM)数据竞赛的经典写法思路。通过分析这些解法,我们发现,虽然每次竞赛的行业、场景各有不同,但其对应的PHM问题类型、解法类型,实际上有迹可循,有方法论可依。鉴于此,本文翻译自美国辛辛那提大学IMS中心的一篇论文“Review of PHM data competitions from 2008 to 2017: Methodologies and analytics”,(原文作者:Xiaodong Jia,Bin Huang,Jianshe Feng,Haoshu Cai,Jay Lee),详细总结、分析了自PHM数据竞赛举办以来,十年间竞赛解法的规律与共性特点,并且指出了PHM算法在当时看对未来发展的启示,希望对各位读者有所帮助。
摘要
近些年,数据驱动的方法因其出色的可扩展性、可重构性和低开发成本而在PHM社区中广受欢迎。随着数据驱动方法的发展,过去十年(译者注:指2008年-2017年)由 PHM 协会主办的数据竞赛为行业的算法对标和改进贡献了宝贵的公共资源库。为了更好地定义未来的发展方向,本文基于过去十年数据竞赛回顾了最前沿的PHM方法和分析技术。在这篇综述中,我们阐述了PHM的目标和主要研究任务,然后从故障检测、诊断、评估和预测的角度总结了PHM在实践中的方法论和分析技术,并且着重强调了对于PHM在各个工业部门的应用情况。本文所提出的观点主要由过去十年的数据竞赛作为案例分析来支撑。在所有讨论和回顾的基础上,本文指出了当下的挑战和未来的机遇,并在最后总结了当前的成就并展望了未来的趋势。
01
简介
PHM作为一门新兴的工程学科,主要专注于检测,诊断和预测设备故障。一个有效的 PHM 系统应当提供早期故障检测和分类,预测设备故障的发展并评估设备剩余使用寿命(remaining useful life, RUL)。在过去的十年里,以人工智能和数据驱动的方法来完成PHM任务,基于其易用性、可拓展性和低开发成本,变得越来越流行。相较于基于物理原理(译者注:physics-based,或者叫“基于机理”)的模型,数据驱动的方法对专业知识要求更少,也更擅长沉淀专家的经验。此外,一旦完成数据驱动模型的恰当训练,模型的计算效率要高于传统的复杂物理模型。更重要的是,专门为数据驱动模型开发的标准化工具包能显著加快模型开发速度。用户能在短暂训练后快速上手模型。但抛开这些优点,PHM的进一步发展需要开放社区和足够的公共数据来进行对标分析。
随着数据驱动方法的发展,过去十年由 PHM协会(PHM Society)主办的数据竞赛为行业模型的对标和改进构建了宝贵的公共资源库。PHM协会自2008 年以来举办的 PHM 数据竞赛提供了大量开源数据集和成功的工程应用。在过去 10 年的数据竞赛里,PHM 中诸多研究课题和工程应用得到了深入讨论和探索。因此在这个时间点,对之前10年成果的回顾和对未来机遇的讨论就显得尤为重要。
为了达到这个目的,本文基于过去十年的数据竞赛,对PHM的前沿方法论和分析技术进行了回顾。本文阐述了PHM的目标和主要研究任务,并从故障检测,诊断,评估和预测的角度总结了PHM的方法论和分析,对于PHM在各个工业部门的应用也做出了着重强调。过去十年的数据竞赛被用作例子和案例研究来支持本文提出的想法。
本文的剩余部分结构如下:第二部分回顾了过去十年的数据竞赛并以回顾这些竞赛的方式强调了PHM的研究任务;第三部分总结并回顾了PHM的方法论和分析技术,并以过去 10 年的数据竞赛作为案例研究;第四部分阐述了经验教训的和未来趋势;第五部分给出了总结性结论。
02
2008-2017年数据竞赛的总结
2.1
数据竞赛中的主要任务
基于对过去十年数据竞赛的回顾,PHM中主要的研究任务概括为图1。主要任务包括:
检测 – 旨在根因不明的情况下识别工程系统的故障。在检测问题中,二进制的输出(binary outcome)应当指出是否有故障发生。
诊断 – 旨在定位故障的一个或多个根本原因,进而实行相应的措施。在诊断过程中,被检测到的故障应当对应到一个特定的故障模式。
预诊断 – 旨在预测未来的健康状态和剩余寿命。
评估 – 旨在基于设备近期的行为下评估它的健康/风险程度。在设备剩余寿命预测中,评估功能常被用于描述设备衰退(degradation)进程。在故障检测中,一个故障如果超出预定阈值就会被检测出来。
图1. PHM的主要任务
表 1 总结了过去 10 年数据竞赛的研究任务,附录中提供了对数据竞赛的更详细回顾。我们发现,故障检测和诊断通常需要同时进行。这是因为故障检测仅对潜在故障发出警报,而不对维护措施进行提议,而故障诊断技术能够将潜在问题与一系列可观察到的症状联系起来,因而能够采取有针对性的维修操作。然而对于一些简单设备,故障诊断并不是必要的,如风速仪;因为在故障发生时,直接通过零件更换便可以解决问题。
表1. 2008-2017年数据竞赛的研究任务
主办方/年份 | 对象 | 任务 |
PHMS2017 | 列车转向架 | 监督式故障检测与诊断 |
PHMS2016 | 半导体制造化学机械抛光(CMP)过程 | 虚拟量测 |
PHMS2015 | 发电厂 | 监督式故障检测与诊断 |
PHMS2014 | 制造系统 | 监督式风险评估与故障检测 |
IEEE2014 | 燃料电池 | 预诊断与健康评估 |
PHMS2013 | 未知 | 监督式故障检测与诊断 |
PHMS2012 | 轴承 | 故障预诊(Prognosis) |
PHMS2011 | 风速仪 | 非监督式故障检测 |
PHMS2010 | 铣床 | 故障预诊 |
PHMS2009 | 齿轮箱 | 非监督式故障检测与诊断 |
PHMS2008 | 航空发动机 | 故障预诊 |
预诊断和健康状态评估(health assessment, HA)是PHM的核心课题,它们经常被期望应用于退化/衰退较慢的工程系统如电池,机床刀具以及飞机引擎等。这些目标的共同点在于可以通过对运行数据建模获得单调趋势的形式来推断设备衰退状态。基于此退化趋势,他们的RUL和未来退化状态可以被更好地预测。预诊断和HA为操作、维护策略的优化极大加强了信息透明程度,尤其对于分布广泛的资产和高度自动化系统作用极大。
PHM协会2011年竞赛虚拟量测(virtual metrology, VM)的研究旨在预测化学机械抛光过程(chemical mechanical planarization, CMP)中的材料去除率(material removal rate, MRR)。在半导体制造工业中,VM 是先进过程控制的关键因素,可以更好地描述制造过程中耗材退化和设备状况漂移的过程。在图1中,由于不属于任何曾经提出的科研任务,2016年PHM协会数据竞赛的研究任务被列为“其他”。
表2. PHM研究任务中的数据驱动模型
2.2
数据驱动模型的简单回顾
通过简单回顾过去十年的数据竞赛,表2总结了常用的数据驱动模型。表2列出了各个PHM任务所用的模型,并通过明确模型在训练和测试阶段模型的输入输出来详细描述模型。
在本文中,PHM方法论被分为三组:
M1:PHM(半)监督学习;
M2:无监督健康评估和故障检测;
M3:无监督RUL预测和健康预测。
在方法M1中,带有标签的数据样本或数据集群被用来构建一个在输入的特征矩阵和期望输出标签之间的方程或是映射。在测试阶段,这些训练好的模型被部署,从而为测试样本添加标签并判断设备的健康情况。方法M2在无监督的情况下评估设备的健康状况并检测潜在的故障。通常该方法的数据驱动模型被用于完成两个主要任务:(1)基于已知的基线(健康数据),输出一个风险值用于量化设备的健康/风险等级;(2)在风险等级超出预定阈值时警示即将出现的设备故障。方法M3主要在用于监督学习中的设备潜在衰退机理未知的情况下,预测未来的设备健康和剩余使用时间。M3的学习任务主要包括两步:(1)基于R2F(译者注:run-to-failure,全生命周期)的数据,学习设备的根本的衰退机制;(2)基于近期设备的行为和预先知道的设备衰退模式,预测未来的设备健康情况。后者中的学习算法一般由时间序列外推(译者注:extrapolation)完成。
值得一提的是,表2中的训练输入的特征Xi和测试输入的特征Xt应当有相同的维度。在不同的学习和工程任务中,Xi和Xt可以为单个数据样本(数据向量)或在特定时间阶段(数据分布)中观察到的一组样本。一般情况下,训练标签可以是与建模对象健康信息相关的连续或是分类的实数。
03
方法论与分析
在这个部分,本文会对上述的三个方法进行详细阐述。表1中的PHM数据竞赛会被用作例子来说明思路。
3.1
PHM的(半)监督学习模型
图2概述了方法M1。在训练阶段,通过将训练特征矩阵和标签信息作为输入来训练学习模型。对于表2中的不同工程问题,学习模型可以使用表3所示的回归算法,分类或聚类方法。对于图2中的测试阶段,如图2所示,计算未标记测试样本的标签信息,不同模型的结果可以通过多种策略进一步融合。
图2. (半)监督PHM的方法论
(半)监督学习的方法涵盖了PHM中大部分的学习任务,包括如表1和表3中的M1.a~g。方法M1.a以回归技术解决健康评估问题。该方法一个很好的例子要说到PHM协会2010年的比赛,当时参赛者被要求评估铣床中的刀具磨损。在该比赛中,刀具磨损由 LEICA MZ12 显微镜系统测量,并在模型构建的训练数据中给出。在结果提交中,参与者被要求根据训练数据构建数据驱动模型,以取代昂贵的摄影设备进行工具磨损测量。在本次探索中,监测数据包括振动、力和声信号。适用于该次探索的分析技术列于表 3 中。可以发现大部分都使用回归方法构建监测数据和刀具磨损指标之间的映射。在这些文献中(Sreerupa Das, Hall,Herzog, Harrison, & Bodkin, 2011)(Peel,2008),使用回归算法得到了相当准确的评估。
方法M1.b旨在基于一致的健康和故障数据的数据样本下评估工作风险。在这个应用中,概率分析工具如逻辑回归(LogiReg)和朴素贝叶斯(NB)分类器经常被使用。对于这类分类器,训练标签是分类的整数,但测试输出结果表明测试样本属于某个类的概率。在风险评估和故障检测方面,训练标签通常是二进制的,代表健康和故障。这些模型的测试输出代表着运行风险。通过适当设定风险指标的阈值,可以进一步检测设备故障。使用LogiReg的M1.b在PHM协会2008年竞赛中被用于检测航空发动机的衰退(Tianyi Wang, 2010),而NB在PHM协会 2013年竞赛中被用于检测非误报(non-nuisance)情况(Katsouros, Papavassiliou, & Emmanouilidis, 2013)。
表3. 方法M1的示例和分析
方法论 | 学习算法 | 示例 | 分析技术 |
M1.a | 回归 | PHM2010(铣刀) | 集成回归树,随机森林(RF)(Sreerupa Das等,2011);ANN(Peel,2008);贝叶斯线性回归(H. Chen,2011) |
M1.b | 概率分类器 | PHM2008(航空发动机) | 逻辑回归(Tianyi Wang,2010) |
PHM2013(未知应用) | NB(Katsouros等,2013) | ||
M1.c | 聚类 | PHM2009(齿轮箱) | 见M1.e |
M1.d | 二分类 | PHM2015(发电厂) | 见M1.f |
PHM2013(未知应用) | |||
M1.e | 聚类 | PHM2009(齿轮箱) | 全息参数图(Holo-coefficients map)(Wu & Lee,2011);基线距离(Al-Atat,Siegel,& Lee,2011) |
M1.f | 分类 | PHM2015(发电厂) | FDA(Kim等,2016);RF,KNN,NB,GBM(Xiao,2016);集成决策树(Xie,Yang,Huang,& Sun,2015) |
PHM2013(未知应用) | 联合过滤(Collaborative Filtering)(Santanu Das,2013);NB(Katsouros等,2013);KNN,ANN,DT,RF,SVM(James K Kimotho,Sondermann-Woelke,Meyer,& Sextro,2013) | ||
M1.g | 回归 | PHM2008(航空发动机) | RNN,MLP(Heimes,2008);MLP(Peel,2008) |
PHM2012(轴承) | GP(Boskoski,Gasperin,& Petelin,2012);LS-SVR(Sutrisno,Oh,Vasan,&Pecht,2012) |
方法M1.c~f可以被一起讨论,因为在实际应用中通常故障检测和诊断(fault detection and diagnosis,FD&D)需要一起使用。通常用于FD&D 的分析是聚类或分类方法。而聚类和分类的主要区别在于,分类问题中标签信息分配给单个数据样本,聚类任务中标签信息被分配于识别出的数据集(译者注:这里作者应该是指,在所调研的PHM竞赛解法中,分类器直接被用于对单个数据样本的故障类别判断,即建立“样本-故障类型”的映射;而聚类方法的应用,通常在我们得到每个样本的故障特征之后,通过聚集这些指标,判断哪些样本属于一类、哪些不是,而非直接建立“样本-故障类型”的映射)。表 3 中列出了几个示例和最近数据竞赛中常用的分析方法。我们还注意到,表 3 中的大多数算法现在都得到了很好的发展,并且有多个用不同编程语言编写的现成的工具包。
方法M1.g以直接在监控数据和剩余运行周期数之间建立函数关系来预测设备的剩余使用寿命。在本应用中,训练数据包括数个全寿命周期(R2F)数据集用于训练。对于R2F中的单一训练样本,通过计算设备故障前的剩余运行周期数可以得出剩余的运行寿命。该方法极大地简化了设备剩余使用寿命预测问题。然而,这种方法的缺点也很明显,因为这种方法中设备的衰退趋势在运行周期内是线性的,这可能会严重限制该方法的预测精度。正如 PHM协会2008和 2012 年的竞赛所体现的那样,与稍后将讨论的更先进的过滤技术相比,这种监督式的 RUL 预测准确度较低。尽管如此,由于其简单性和效率,该方法仍然很有价值,并且可以为未来的改进建立预测精度基线。
3.2
无监督健康评估和故障检测
图3. 无监督HA和FD的方法论
图3概述了方法M2。在方法M2的设定中,代表设备健康行为的基线数据被用来建立基线模型。在测试阶段中,所期望的模型输出包括:
(1)用于表示设备健康/风险状况的数值。从这一步可得到对于具有随时间变化趋势的设备衰退趋势(degradation trend, DT)
(2)用于表明是否有故障发生的健康标签。
表4总结了该方法的示例和分析。通过回顾这些研究,无监督HA和FG的分析工具可以被总结为基于距离的方法和基于残差的方法。典型的基于距离的方法包括k-Nearest Neighbor (KNN),Local outlier Factors (LoF)等。此外,(C. Li,Liu, Tian, Cui, & Wu, 2017)在 PHM协会2017年竞赛中采用测试样本对基线的偏差比作为标准检测故障数据,得到了令人满意的故障检测率。基于残差的方法构建了一个学习设备健康状况数据分布的机器学习模型。在测试阶段,测试样本的残差被作为指标来表明测试样本对基线的偏差。残差法的典型示例可以在 PHM协会2011竞赛中用于风速仪故障检测的自联想神经网络(AANN)回归模型和 PHM协会2017竞赛中用于车辆悬架系统故障检测的物理模型+残差方法中找到。
表4. 方法M2的示例和分析
方法论 | 学习算法 | 示例 | 分析技术 |
M2a | 非监督式异常检测/统计法 | PHM2011(测风仪) | 见M2b |
PHM2014(制造系统) | 系统可靠性统计法(Kim,Hwang,Park,Oh,& Youn,2014;Nakagawa,1986;Rezvanizaniani,Dempsey,& Lee,2014) | ||
M2b | 非监督式异常检测 | PHM2011(测风仪) | 自联想神经网络AANN-残差法(Siegel & Lee,2011);经验模型+残差法(L. Sun,Chen, & Cheng,2012) |
PHM2017(列车转向架) | 基于距离的异常检测(C. Li等,2017);基于残差的异常检测(S. Li等,2017;Park等,2017) |
通过比较这两种方法,基于距离的方法通常将向量作为输入,并计算单个输入向量的异常值。在基于残差的方法中,模型可以将向量和矩阵(或分布)作为输入,因而残差或残差的统计数据便可以展示最近的观察结果与基线的偏差。若最近的观察结果明显偏离基线,系统将会据此检测出故障并显示高风险值。在基于距离和基于残差的方法中,通过考虑故障检测率(fault detection rate, FDR)和误报率(false alarm rate, FAR)之间的权衡,可以通过接收者操作特征曲线(receiver operating characteristic curve, ROC curve)来调整故障检测阈值。
3.3
无监督健康预诊断
图4. 无监督诊断方法论
图4概述了方法M3中无监督诊断的部分。不同于M1.g的监督诊断,设备的 DT (译者注:DT即衰退趋势)模式以前是未知的,它可能在操作周期或时间上不是线性的。因此图4首先需要构建一个无监督HA模型来发现设备的潜在衰退规律。图 4 中的 HA 模型使用图 3 中的方法 M2来基于R2F训练数据得到设备DT。在预测步骤中,有三种不同的预测方法可用于完成预测任务——基于相似性的方法、回归分析或曲线拟合方法,以及 SSM(译者注:状态空间模型)。
基于相似性的方法使用训练库中的历史DT作为设备衰退的仿真来预测未来的衰退和剩余使用寿命。这个方法的优点在于其简单和高效性。不过它需要大量R2F数据集来得到精准预测,且这种方法无法体现预测的不确定性。另一个预诊断比较简单的方法是以回归分析或曲线拟合来外推DT。在这种情况下,将从HA模块得到的DT作为一个时间序列,可以建立时间指标与健康值或置信度的映射关系。常用的时间序列外推方法有:自回归滑动平均(ARMA)、支持向量回归(SVR)、高斯过程回归(GPR)等。尽管在设备的 DT 可以由某些基础函数表示的简单情况下,这些回归方法表现得很好,对于更大的预测范围(译者注:更长时间的预测),它们的预测精度会迅速下降。为了进一步提高对更复杂情况的预测精度, KF (卡尔曼滤波)和粒子滤波会经常被使用。在文献中,这些滤波技术通常与参数化状态空间模型(state space model,SSM)一起用于长期预测。正如(J. K. Kimotho, Meyer, & Sextro,2014)所总结,这些参数化SSM 包括常用的指数模型、对数模型、对数线性模型、线性模型和多项式模型。
表5. 方法M3的示例和分析
方法论 | 学习算法 | 示例 | 分析技术 |
M3 | 时间序列预测 | PHM2008(航空发动机) | 基于相似性的方法(Tianyi Wang,2010;T. Wang,Jianbo,Siegel, & Lee,2008);状态空间模型(J. Sun,Zuo,Wang,& Pecht,2012,2014) |
PHM2012(轴承) | 指数模型+PF(N. Li,Lei,Lin, & Ding,2015);RBM+SOM-MQE+基于相似性的方法(Liao,Jin,& Pavel,2016) | ||
IEEE2014(燃料电池) | 粒子滤波(J. K. Kimotho等,2014;Olivares,Munoz,Orchard,& Silva,2013);线性回归(T. Kim等,2014;Vianna,de Medeiros,Alflalo,Rodrigues,& Malere,2014) |
3.4
其他
在PHM协会2016年竞赛中对MMR的预测并不适用于我们所划分的PHM的主任务。然而,由于它允许控制器在设置配方参数时考虑设备衰退,这个预测任务对于先进过程控制很重要。用于PHM协会2016年竞赛的分析主要为回归分析,此次数据竞赛的工程问题类似于PHM协会2010年竞赛的铣床刀具磨损估计,其中前者是虚拟量测问题,后者是虚拟传感问题。
虚拟量测(virtual metrology, VM)和虚拟传感很相似,也很不同。虚拟量测通常以质量为导向,旨在通过识别重要的质量指标来提高产品质量。以半导体制造为例,VM 模型被广泛用于识别有缺陷的晶圆批次。VM 模型将健康指标视为一个难以测量的量,并从易于测量的过程变量中对其进行预测。这个概念类似于虚拟传感的思想,旨在从易于测量的变量中估计难以测量的量。然而,虚拟传感技术通常需要实时在线实现,并且已经被广泛研讨了几十年。
04
讨论与展望
本文所调研的方法论和分析技术主要为数据驱动的PHM应用。这些方法都是高度可规模化的,可以被容易地复制到不同的工程应用中。本文的主要益处在于给读者提供一个对于当下PHM数据驱动或机器学习应用的系统性认知,同时调研了机器学习任务和PHM主要任务的关联。
尽管现在这些数据驱动模型在PHM中被广泛研究,未来还有不少前沿课题需要进一步探索。
多种工况或动态工况场景。(Siegel, 2013)中提出了一种基于残差聚类的方法来探索这个主题。在他们的研究中,工业机械臂和风力发电机传动系统被用作例子来说明他们方法的有效性。
数据质量是另一个需要进一步研究的重要课题。理想情况下用户会有一个工具包来判断他们的数据是否有价值用于PHM分析。(Y. Chen,2012; Y. Chen, Zhu, & Lee, 2013)进行了相关讨论,他们主要研究系统的可诊断性。(Jia et al., 2017; P. Li et al., 2018)最近提出了一种系统方法,从数据的可检测性、可诊断性和可预测性方面评估 PHM 的数据适用性。
基于设备集群的预测是另一个需要探索的重要主题。这适用于从一组类似设备中可以获得大量数据的情况。这些来自设备集群的历史数据可以帮助建立强大的数据库进行数据挖掘。如何依靠设备集群进行健康预诊断仍然是PHM社区未解决的问题。
基于预诊断的维护策略优化对于将健康信息转化为价值很重要。(Van Horenbeek, Van Ostaeyen, Duflou, & Pintelon, 2012)研究了基于预诊断的海上风电场维护计划,并证明了基于预诊断维护策略的合理性。
05
总结
本文回顾了2008至2017年的PHM数据竞赛。总结了这些用于PHM问题的方法和分析技术。基于本文的讨论,PHM的方法被归为三类:(1)如图2所示,M1: PHM(半)监督机器学习方法;(2)如图3所示,M2: 无监督健康评估和故障检测方法;(3)如图4所示, M3: 无监督健康预诊断方法。在回顾完方法论和分析技术之后,我们点出了在这些数据竞赛解法中值得学习之处,并简明讨论了未来PHM的发展趋势。
本次数据竞赛相关参考文献(向上滑动阅览)
[1]Al-Atat,H.,Siegel, D.,& Lee, J. (2011).A systematic methodology for gearbox health assessment and faultclassification. Int J Prognostics Health Manage Soc,2(1),16.
[2]Boškoski,P.,Gašperin,M.,& Petelin, D. (2012).Bearingfault prognostics based on signal complexity and Gaussian process models. Paperpresented at the Prognostics and Health Management (PHM),2012 IEEE Conference on.
[3]Chen,H. (2011).A multiple model prediction algorithm for CNC machine wear PHM. InternationalJournal of Prognostics and Health Management Volume 2 (color),129.
[4]Chen,Y. (2012).DataQuality Assessment Methodology for Improved Prognostics Modeling. Universityof Cincinnati.
[5]Chen,Y.,Zhu,F.,& Lee, J. (2013).Data quality evaluation and improvement for prognostic modeling using visualassessment based data partitioning method. Computers in industry,64(3),214-225.
[6]Das,S. (2013).Maintenance Action Recommendation Using Collaborative Filtering.
[7]Das,S.,Hall,R.,Herzog, S.,Harrison, G.,& Bodkin, M.(2011).Essentialsteps in prognostic health management. Paper presented atthe Prognostics and Health Management (PHM),2011 IEEE Conference on.
[8]Di,Y.,Jia,X.,& Lee, J. (2017).Enhanced Virtual Metrology on Chemical Mechanical Planarization Process usingan Integrated Model and Data-Driven Approach. International Journalof Prognostics and Health Management,8(031),pp.
[9]Heimes,F. O. (2008).Recurrentneural networks for remaining useful life estimation. Paperpresented at the Prognostics and Health Management,2008. PHM 2008. International Conference on.
[10]Jia,X.,Di,Y.,Feng,J.,Yang,Q.,Dai,H.,& Lee, J. (2018).Adaptive virtual metrology for semiconductor chemical mechanical planarizationprocess using GMDH-type polynomial neural networks. Journal of ProcessControl, 62,44-54.
[11]Jia,X.,Jin,C.,Buzza, M.,Di,Y.,Siegel, D.,& Lee, J. (2018).A deviation based assessment methodology for multiple machine health patternsclassification and fault detection. Mechanical Systemsand Signal Processing, 99,244-261.
[12]Jia,X.,Zhao,M.,Di,Y.,Yang,Q.,& Lee, J. (2017).Assessment of data suitability for Machine Prognosis Using Maximum MeanDiscrepancy. IEEE transactions on industrial electronics.
[13]Kao,C. A., Cheng,F. T., Wu,W. M., Kong,F. W., & Huang,H. H. (2011).Run-to-Run Control Utilizing Virtual Metrology With Reliance Index. IEEETransactions on Semiconductor Manufacturing,26(1),256-261.
[14]Katsouros,V.,Papavassiliou, V.,& Emmanouilidis, C. (2013).A Bayesian Approach for Maintenance Action Recommendation.
[15]Kim,H.,Ha,J. M., Park,J.,Kim,S.,Kim,K.,Jang,B. C., . . . Youn,B. D. (2016).Fault Log Recovery Using an Incomplete-data-trained FDA Classifier for FailureDiagnosis of Engineered Systems.
[16]Kim,H.,Hwang, T.,Park,J.,Oh,H.,& Youn, B. D. (2014).Risk prediction of engineering assets: An ensemble of part lifespan calculationand usage classification methods. International Journal of Prognosticsand Health Management, 5(2).
[17]Kim,T.,Kim,H.,Ha,J.,Kim,K.,Youn,J.,Jung,J.,& Youn, B. D. (2014,2014).Adegenerated equivalent circuit model and hybrid prediction for state-of-health (SOH)of PEM fuel cell.
[18]Kimotho,J. K., Meyer,T.,& Sextro, W. (2014,22-25 June 2014). PEM fuel cellprognostics using particle filter with model parameter adaptation. Paperpresented at the Prognostics and Health Management (PHM),2014 IEEE Conference on.
[19]Kimotho,J. K., Sondermann-Woelke,C.,Meyer, T.,& Sextro, W. (2013).Application of Event Based Decision Tree and Ensemble of Data Driven Methodsfor Maintenance Action Recommendation.
[20]Lee,J.,Wu,F.,Zhao,W.,Ghaffari, M.,Liao,L.,& Siegel, D. (2014).Prognostics and health management design for rotary machinery systems—Reviews,methodology and applications. Mechanical Systems and SignalProcessing,42(1-2),314-334. doi:10.1016/j.ymssp.2013.06.004
[21]Li,C.,Liu,J.,Tian,C.,Cui,P.,& Wu, M. (2017).Similarity-based Fault Detection in Vehicle Suspension System. Paperpresented at the ANNUAL CONFERENCE OF THE PROGNOSTICS AND HEALTH MANAGEMENTSOCIETY 2017, St. Petersburg,Florida.
[22]Li,N.,Lei,Y.,Lin,J.,& Ding, S. X. (2015).An Improved Exponential Model for Predicting Remaining Useful Life of RollingElement Bearings. IEEE transactions on industrialelectronics, 62(12),7762- 7773. doi:10.1109/tie.2015.2455055
[23]Li,P.,Jia,X.,Feng,J.,Davari, H.,Qiao,G.,Hwang, Y.,& Lee, J. (2018).Prognosability study of ball screw degradation using systematic methodology. MechanicalSystems and Signal Processing,109, 45-57.
[24]Li,S.,YuanTian, Jing,Z.,Huang, Y.,& Yang, Y. (2017).EnsembleModelBased Fault Prognostic Method for Railway Vehicles Suspension System. Paperpresented at the ANNUAL CONFERENCE OF THE PROGNOSTICS AND HEALTH MANAGEMENTSOCIETY 2017, St. Petersburg,Florida.
[25]Liao,L.,Jin,W.,& Pavel, R. (2016).Enhanced Restricted Boltzmann Machine With Prognosability Regularization forPrognostics and Health Assessment. IEEE transactions on industrialelectronics, 63(11),7076-7083. doi:10.1109/tie.2016.2586442
[26]Nakagawa,T. (1986).Periodic and sequential preventive maintenance policies. Journalof Applied Probability, 23(2),536-542. doi:10.1017/S0021900200029843
[27]Olivares,B. E., Munoz,M. A. C., Orchard,M. E., & Silva,J. F. (2013).Particle-filtering-based prognosis framework for energy storage devices with astatistical characterization of state-of-health regeneration phenomena. IEEETransactions on Instrumentation and Measurement,62(2),364-376.
[28]Park,C. H., Kim,S.,Lee,J.,Lee,D.-K., Na,K.,Song,J.,& Youn, B. D. (2017).HybridingData-driven and Model-based Approaches for Fault Diagnosis of Rail VehicleSuspensions. Paper presented at the ANNUAL CONFERENCE OF THE PROGNOSTICSAND HEALTH MANAGEMENT SOCIETY 2017,St. Petersburg, Florida.
[29]Peel,L. (2008).Datadriven prognostics using a Kalman filter ensemble of neural network models. Paperpresented at the Prognostics and Health Management,2008. PHM 2008. International Conference on.
[30]Rezvanizaniani,S. M., Dempsey,J.,& Lee, J. (2014).An effective predictive maintenance approach based on historical maintenancedata using a probabilistic risk assessment: PHM14 data challenge. InternationalJournal of Prognostics and Health Management,5(2).
[31]Siegel,D. (2013).Prognosticsand Health Assessment of a Multi-Regime System using a Residual ClusteringHealth Monitoring Approach. University of Cincinnati.
[32]Siegel,D.,& Lee, J. (2011).An Auto-Associative Residual Processing and K-means Clustering Approach forAnemometer Health Assessment. International Journal of Prognostics& Health Management, 2(2).
[33]Sun,J.,Zuo,H.,Wang,W.,& Pecht, M. G. (2012).Application of a state space modeling technique to system prognostics based ona health index for condition-based maintenance. Mechanical Systemsand Signal Processing, 28,585-596.
[34]Sun,J.,Zuo,H.,Wang,W.,& Pecht, M. G. (2014).Prognostics uncertainty reduction by fusing on-line monitoring data based on astate-space-based degradation model. Mechanical Systemsand Signal Processing, 45(2),396-407.
[35]Sun,L.,Chen,C.,& Cheng, Q. (2012).Feature extraction and pattern identification for anemometer conditiondiagnosis. InternationalJournal of Prognostics and Health Management,3, 8-18.
[36]Sutrisno,E.,Oh,H.,Vasan, A. S. S.,& Pecht, M. (2012).Estimationof remaining useful life of ball bearings using data driven methodologies. Paperpresented at the Prognostics and Health Management (PHM),2012 IEEE Conference on.
[37]VanHorenbeek, A.,Van Ostaeyen, J.,Duflou, J.,& Pintelon, L. (2012).Prognostic maintenance scheduling for offshore wind turbine farms.
[38]Vianna,W. O. L., de Medeiros,I. P., Aflalo,B. S., Rodrigues,L. R., & Malère,J. P. P. (2014).Protonexchange membrane fuel cells (PEMFC)impedance estimation using regression analysis. Paper presented atthe Prognostics and Health Management (PHM),2014 IEEE Conference on.
[39]Wang,T. (2010).Trajectorysimilarity based prediction for remaining useful life estimation. Universityof Cincinnati.
[40]Wang,T.,Jianbo, Y.,Siegel, D.,& Lee, J. (2008,6-9 Oct. 2008). A similarity-basedprognostics approach for Remaining Useful Life estimation of engineeredsystems. Paperpresented at the Prognostics and Health Management,2008. PHM 2008. International Conference on.
[41]Wu,F.,& Lee, J. (2011).Information reconstruction method for improved clustering and diagnosis ofgeneric gearbox signals. Int. J. Progn. Health Manag,2, 42.
[42]Xiao,W. (2016).A Probabilistic Machine Learning Approach to Detect Industrial Plant Faults. arXivpreprint arXiv:1603.05770.
[43]Xie,C.,Yang,D.,Huang, Y.,& Sun, D. (2015).FeatureExtraction and Ensemble Decision Tree Classifier in Plant Failure Detection. Paperpresented at the Annual Conference of the Prognostics and Health Management Society.
PHM作为支撑风机智能运维的核心技术,也是风电行业智能化转型的关键。10月18-20日,天泽智云将首次亮相2021北京国际风能大会暨展览会,届时将在展台展出包括核心部件故障预测与健康管理WindProphet、智能运维管理系统OMS以及风电数字孪生平台系统等在内的天泽智云无忧风电行业解决方案。同时,天泽智云技术研发副总裁金超博士也将在10月19日的创新剧场上做关于可持续故障预测与健康管理(SPHM)的主题演讲,敬请期待。
展会综合信息
展会名称
北京国际风能大会暨展览会(CWP)
展会时间、地点
2021年10月17-20日
中国国际展览中心新馆
扫描上方CWP官方二维码,注册参会
联系客服