El pronóstico es una disciplina de ingeniería que se centra en predecir el momento en el que un sistema o un componente dejará de realizar su función prevista. [1] Esta falta de rendimiento suele ser una falla más allá de la cual el sistema ya no se puede utilizar para alcanzar el rendimiento deseado. El tiempo previsto se convierte entonces en la vida útil restante ( RUL ), que es un concepto importante en la toma de decisiones para la mitigación de contingencias. Los pronósticos predicen el rendimiento futuro de un componente mediante la evaluación del grado de desviación o degradación de un sistema de sus condiciones de funcionamiento normales esperadas. [2]La ciencia del pronóstico se basa en el análisis de los modos de falla, la detección de signos tempranos de desgaste y envejecimiento y las condiciones de falla. Una solución de pronóstico eficaz se implementa cuando existe un conocimiento sólido de los mecanismos de falla que probablemente causen las degradaciones que conducen a eventuales fallas en el sistema. Por lo tanto, es necesario tener información inicial sobre las posibles fallas (incluido el sitio, el modo, la causa y el mecanismo) en un producto. Este conocimiento es importante para identificar los parámetros del sistema que se van a monitorear. Los usos potenciales de los pronósticos se encuentran en el mantenimiento basado en la condición . La disciplina que vincula los estudios de los mecanismos de falla con la gestión del ciclo de vida del sistema a menudo se denomina gestión de la salud y pronóstico ( PHM ), a veces también gestión de la salud del sistema ( SHM ) o, en aplicaciones de transporte, gestión de la salud del vehículo ( VHM ) o gestión del estado del motor ( EHM ). Los enfoques técnicos para la construcción de modelos en los pronósticos pueden clasificarse ampliamente en enfoques basados en datos, enfoques basados en modelos y enfoques híbridos.
Pronósticos basados en datos
Los pronósticos basados en datos suelen utilizar técnicas de reconocimiento de patrones y aprendizaje automático para detectar cambios en los estados del sistema. [3] Los métodos clásicos basados en datos para la predicción de sistemas no lineales incluyen el uso de modelos estocásticos como el modelo autorregresivo (AR), el modelo AR de umbral, el modelo bilineal, la búsqueda de proyección, la regresión adaptativa multivariante splines y Volterra. expansión de la serie. Desde la última década, un mayor interés en el pronóstico del estado del sistema basado en datos se ha centrado en el uso de modelos flexibles, como varios tipos de redes neuronales (NN) y sistemas neuronales difusos (NF). Los enfoques basados en datos son apropiados cuando la comprensión de los primeros principios del funcionamiento del sistema no es exhaustiva o cuando el sistema es lo suficientemente complejo como para que desarrollar un modelo preciso resulte prohibitivamente caro. Por lo tanto, las principales ventajas de los enfoques basados en datos es que a menudo se pueden implementar de manera más rápida y económica en comparación con otros enfoques, y que pueden proporcionar una cobertura de todo el sistema (cf. modelos basados en la física, que pueden tener un alcance bastante limitado). La principal desventaja es que los enfoques basados en datos pueden tener intervalos de confianza más amplios que otros enfoques y que requieren una cantidad sustancial de datos para la capacitación. Los enfoques basados en datos se pueden subdividir aún más en estadísticas basadas en flotas y acondicionamiento basado en sensores. Además, las técnicas basadas en datos también incluyen técnicas de recuento cíclico que pueden incluir el conocimiento del dominio .
Las dos estrategias básicas basadas en datos implican (1) modelar el daño acumulativo (o, de manera equivalente, la salud) y luego extrapolar a un umbral de daño (o salud), o (2) aprender directamente de los datos la vida útil restante. [4] [5] Como se mencionó, un cuello de botella principal es la dificultad para obtener datos de ejecución hasta fallar, en particular para sistemas nuevos, ya que ejecutar sistemas hasta fallar puede ser un proceso largo y bastante costoso. Cuando el uso futuro no es el mismo que en el pasado (como con la mayoría de los sistemas no estacionarios), la recopilación de datos que incluyen todos los usos futuros posibles (condiciones de carga y ambientales) a menudo se vuelve casi imposible. Incluso cuando existen datos, la eficacia de los enfoques basados en datos no solo depende de la cantidad, sino también de la calidad de los datos operativos del sistema. Estas fuentes de datos pueden incluir temperatura, presión, residuos de aceite, corrientes, voltajes, potencia, vibración y señal acústica, datos espectrométricos, así como datos de calibración y calorimétricos. A menudo, los datos deben procesarse previamente antes de que puedan utilizarse. Normalmente se llevan a cabo dos procedimientos: i) Eliminación de ruido y ii) Extracción de características. La eliminación de ruido se refiere a reducir o eliminar la influencia del ruido en los datos. La extracción de características es importante porque en el mundo actual hambriento de datos, se recopila una gran cantidad de datos mediante la medición de sensores que pueden no usarse fácilmente. Por lo tanto, el conocimiento del dominio y el procesamiento de señales estadísticas se aplican para extraer características importantes de (la mayoría de las veces) datos ruidosos y de alta dimensión. [6]
Pronósticos basados en modelos
Los pronósticos basados en modelos intentan incorporar la comprensión física (modelos físicos) del sistema en la estimación de la vida útil restante (RUL). El modelado de la física se puede lograr en diferentes niveles, por ejemplo, niveles micro y macro. En el nivel micro (también llamado nivel material), los modelos físicos están incorporados por una serie de ecuaciones dinámicas que definen relaciones, en un momento o ciclo de carga dado, entre el daño (o degradación) de un sistema / componente y las condiciones ambientales y operacionales bajo las cuales se operan el sistema / componente. Los modelos a nivel micro se denominan a menudo modelo de propagación de daños. Por ejemplo, el modelo de vida a fatiga de Yu y Harris para rodamientos de bolas, que relaciona la vida a fatiga de un rodamiento con el esfuerzo inducido, [7] el modelo de crecimiento de grietas de Paris y Erdogan, [8] y el modelo estocástico de propagación de defectos [9] son otros ejemplos de modelos a nivel micro. Dado que las mediciones de las propiedades de daño crítico (como la tensión o la deformación de un componente mecánico) rara vez están disponibles, los parámetros del sistema detectados deben usarse para inferir los valores de la tensión / deformación. Los modelos a nivel micro deben tener en cuenta en la gestión de la incertidumbre los supuestos y simplificaciones, que pueden plantear limitaciones importantes de ese enfoque.
Los modelos a nivel macro son el modelo matemático a nivel del sistema, que define la relación entre las variables de entrada del sistema, las variables de estado del sistema y las variables / salidas de las medidas del sistema, donde el modelo es a menudo una representación algo simplificada del sistema, por ejemplo, un modelo de parámetros agrupados. . La compensación es una mayor cobertura con una posible reducción de la precisión de un modo de degradación particular. Cuando se permite esta compensación, el resultado puede ser una creación de prototipos más rápida. Sin embargo, cuando los sistemas son complejos (por ejemplo, un motor de turbina de gas), incluso un modelo a nivel macro puede ser un proceso que requiere mucho tiempo y trabajo. Como resultado, es posible que los modelos a nivel macro no estén disponibles en detalle para todos los subsistemas. Las simplificaciones resultantes deben tenerse en cuenta mediante la gestión de la incertidumbre.
Enfoques híbridos
Los enfoques híbridos intentan aprovechar la fuerza tanto de los enfoques basados en datos como de los enfoques basados en modelos. [10] [11] En realidad, es raro que los enfoques de campo estén completamente basados en datos o basados en modelos. La mayoría de las veces, los enfoques basados en modelos incluyen algunos aspectos de los enfoques basados en datos y los enfoques basados en datos obtienen la información disponible de los modelos. Un ejemplo de lo primero sería cuando los parámetros del modelo se ajustan utilizando datos de campo. Un ejemplo de esto último es cuando los modelos dan el punto de ajuste, el sesgo o el factor de normalización para un enfoque basado en datos. Los enfoques híbridos pueden clasificarse ampliamente en dos categorías, 1) Fusión previa a la estimación y 2.) Fusión posterior a la estimación.
Preestimar la fusión de modelos y datos
La motivación para la agregación de preestimaciones puede ser que no se dispone de datos reales sobre el terreno. Esto puede ocurrir en situaciones en las que los diagnósticos hacen un buen trabajo al detectar fallas que se resuelven (mediante mantenimiento) antes de que ocurra la falla del sistema. Por lo tanto, casi no hay datos de ejecución hasta fallar. Sin embargo, existe un incentivo para saber mejor cuándo un sistema no podría aprovechar mejor la vida útil restante y, al mismo tiempo, evitar el mantenimiento no programado (el mantenimiento no programado suele ser más costoso que el mantenimiento programado y da como resultado un tiempo de inactividad del sistema). Garga y col. describir conceptualmente un enfoque híbrido de agregación de preestimación en el que el conocimiento del dominio se utiliza para cambiar la estructura de una red neuronal, lo que resulta en una representación más parsimoniosa de la red. [ cita requerida ] Otra forma de lograr la agregación preestimada es mediante un proceso combinado fuera de línea y un proceso en línea: en el modo fuera de línea, se puede usar un modelo de simulación basado en la física para comprender las relaciones de la respuesta del sensor al estado de falla; En el modo en línea, se pueden usar datos para identificar el estado actual del daño, luego rastrear los datos para caracterizar la propagación del daño y finalmente aplicar un modelo de propagación individualizado basado en datos para la predicción de la vida restante. Por ejemplo, Khorasgani et al [12] modelaron la física de fallas en capacitores electrolíticos. Luego, utilizaron un enfoque de filtro de partículas para derivar la forma dinámica del modelo de degradación y estimar el estado actual de la salud del condensador. Luego, este modelo se utiliza para obtener una estimación más precisa de la vida útil restante (RUL) de los condensadores a medida que están sujetos a las condiciones de estrés térmico.
Fusión posterior a la estimación de enfoques basados en modelos con enfoques basados en datos
La motivación para la fusión posterior a la estimación suele ser una consideración de la gestión de la incertidumbre. Es decir, la fusión posterior a la estimación ayuda a reducir los intervalos de incertidumbre de los enfoques basados en modelos o basados en datos. Al mismo tiempo, mejora la precisión. La noción subyacente es que múltiples fuentes de información pueden ayudar a mejorar el desempeño de un estimador. Este principio se ha aplicado con éxito en el contexto de la fusión de clasificadores, donde la salida de múltiples clasificadores se utiliza para llegar a un mejor resultado que cualquier clasificador solo. Dentro del contexto de los pronósticos, la fusión se puede lograr mediante el empleo de evaluaciones de calidad que se asignan a los estimadores individuales en función de una variedad de entradas, por ejemplo, heurísticas, rendimiento conocido a priori, horizonte de predicción o solidez de la predicción.
Evaluación del desempeño pronóstico
La evaluación del desempeño del pronóstico es de importancia clave para una implementación exitosa del sistema PHM. La falta inicial de métodos estandarizados para la evaluación del desempeño y conjuntos de datos de referencia dio como resultado la dependencia de métricas de desempeño convencionales tomadas de las estadísticas. Esas métricas se basaron principalmente en la precisión y la precisión, donde el rendimiento se evalúa contra el final de la vida útil (EoL) real, generalmente conocido a priori en un entorno sin conexión. Más recientemente, los esfuerzos para madurar la tecnología de pronóstico se han centrado significativamente en estandarizar los métodos de pronóstico, incluidos los de evaluación del desempeño. Un aspecto clave, que falta en las métricas convencionales, es la capacidad de rastrear el desempeño con el tiempo. Esto es importante porque el pronóstico es un proceso dinámico en el que las predicciones se actualizan con una frecuencia adecuada a medida que se dispone de más datos de observación de un sistema operativo. Del mismo modo, el rendimiento de la predicción cambia con el tiempo y es necesario realizar un seguimiento y cuantificarlo. Otro aspecto que hace que este proceso sea diferente en un contexto PHM es el valor de tiempo de una predicción de RUL. A medida que un sistema se acerca a la falla, la ventana de tiempo para tomar una acción correctiva se acorta y, en consecuencia, la precisión de las predicciones se vuelve más crítica para la toma de decisiones. Finalmente, la aleatoriedad y el ruido en el proceso, las mediciones y los modelos de predicción son inevitables y, por lo tanto, los pronósticos inevitablemente implican incertidumbre en sus estimaciones. Una evaluación del desempeño de pronósticos sólidos debe incorporar los efectos de esta incertidumbre.
Varias métricas de rendimiento de pronóstico han evolucionado teniendo en cuenta estos problemas:
- El horizonte pronóstico (PH) cuantifica la cantidad de anticipación que un algoritmo puede predecir con la precisión deseada antes de que ocurra una falla. Se prefiere un PH más largo ya que se dispone de más tiempo para una acción correctiva.
- La precisión α-λ refuerza aún más los niveles de precisión deseados utilizando un cono de contracción de la precisión deseada a medida que se acerca la EoL. Para cumplir con las especificaciones α-λ deseadas en todo momento, un algoritmo debe mejorar con el tiempo para permanecer dentro del cono.
- La precisión relativa (RA) cuantifica la precisión en relación con el tiempo real restante antes de la falla.
- La convergencia cuantifica la rapidez con la que converge el rendimiento de un algoritmo a medida que se acerca la EoL.
Se puede utilizar una representación visual de estas métricas para representar el desempeño del pronóstico en un horizonte de tiempo prolongado.
Incertidumbre en los pronósticos
Hay muchos parámetros de incertidumbre que pueden influir en la precisión de la predicción. Estos se pueden clasificar como: [13]
- Incertidumbre en los parámetros del sistema: se refiere a la incertidumbre en los valores de los parámetros físicos del sistema (resistencia, inductancia, rigidez, capacitancia, etc.). Esta incertidumbre es inducida por las condiciones ambientales y operativas donde evoluciona el sistema. Esto puede abordarse utilizando métodos adecuados, como los de intervalo.
- Incertidumbre en el modelo del sistema nominal: se trata de las imprecisiones en los modelos matemáticos que se generan para representar el comportamiento del sistema. Estas imprecisiones (o incertidumbres) pueden ser el resultado de un conjunto de supuestos utilizados durante el proceso de modelado y que conducen a modelos que no se ajustan exactamente al comportamiento real del sistema.
- Incertidumbre en el modelo de degradación del sistema: el modelo de degradación se puede obtener a partir de pruebas de vida acelerada que se realizan en diferentes muestras de datos de un componente. En la práctica, los datos obtenidos mediante pruebas de vida acelerada realizadas en las mismas condiciones de funcionamiento pueden tener una tendencia de degradación diferente. Esta diferencia en las tendencias de degradación puede entonces considerarse como una incertidumbre en los modelos de degradación derivados de los datos relacionados con las pruebas de vida acelerada.
- Incertidumbre en la predicción: la incertidumbre es inherente a cualquier proceso de predicción. Todas las predicciones del modelo nominal y / o de degradación son inexactas, lo que se ve afectado por varias incertidumbres, como la incertidumbre en los parámetros del modelo, las condiciones ambientales y los perfiles de la misión futura. La incertidumbre de la predicción se puede abordar utilizando herramientas de estimación y predicción bayesianas y en línea (por ejemplo, filtros de partículas y filtro de Kalman, etc.).
- Incertidumbre en los umbrales de falla: el umbral de falla es importante en cualquier método de detección y predicción de fallas. Determina el momento en el que falla el sistema y en consecuencia la vida útil restante. En la práctica, el valor del umbral de falla no es constante y puede cambiar con el tiempo. También puede cambiar según la naturaleza del sistema, las condiciones de funcionamiento y el entorno en el que evoluciona. Todos estos parámetros inducen incertidumbre que debe considerarse en la definición del umbral de falla.
Se pueden encontrar ejemplos de cuantificación de la incertidumbre en. [14] [15] [16] [17] [18]
Plataformas comerciales de hardware y software
Para la mayoría de las aplicaciones industriales de PHM, el hardware y los sensores de adquisición de datos comerciales listos para usar son normalmente los más prácticos y comunes. Ejemplos de proveedores comerciales de hardware de adquisición de datos incluyen National Instruments [19] y Advantech Webaccess; [20] sin embargo, para ciertas aplicaciones, el hardware se puede personalizar o reforzar según sea necesario. Los tipos de sensores comunes para aplicaciones PHM incluyen acelerómetros, temperatura, presión, mediciones de velocidad de rotación usando codificadores o tacómetros, mediciones eléctricas de voltaje y corriente, emisión acústica, celdas de carga para mediciones de fuerza y mediciones de desplazamiento o posición. Existen numerosos proveedores de sensores para esos tipos de medición, y algunos tienen una línea de productos específica que es más adecuada para aplicaciones de monitoreo de condición y PHM.
Los algoritmos de análisis de datos y la tecnología de reconocimiento de patrones se ofrecen ahora en algunas plataformas de software comerciales o como parte de una solución de software empaquetada. National Instruments tiene actualmente una versión de prueba (con un lanzamiento comercial el próximo año) del kit de herramientas de pronóstico Watchdog Agent®, que es una colección de algoritmos PHM basados en datos que fueron desarrollados por el Center for Intelligent Maintenance Systems. [21] Esta colección de más de 20 herramientas permite configurar y personalizar los algoritmos para la extracción de firmas, la detección de anomalías, la evaluación de la salud, el diagnóstico de fallas y la predicción de fallas para una aplicación determinada según sea necesario. Una empresa de reciente creación llamada Predictronics Corporation [22] ofrece soluciones comerciales personalizadas de monitorización predictiva que utilizan el kit de herramientas Watchdog Agent en la que los fundadores desempeñaron un papel decisivo en el desarrollo y la aplicación de esta tecnología PHM en el Center for Intelligent Maintenance Systems. Otro ejemplo es MATLAB y su caja de herramientas de mantenimiento predictivo [23] que proporciona funciones y una aplicación interactiva para explorar, extraer y clasificar características utilizando técnicas basadas en datos y modelos, que incluyen análisis estadístico, espectral y de series de tiempo. también incluye ejemplos de referencia para motores, cajas de engranajes, baterías y otras máquinas que se pueden reutilizar para desarrollar algoritmos personalizados de mantenimiento predictivo y monitoreo de condiciones. Otras ofertas de software comercial se centran en algunas herramientas para la detección de anomalías y el diagnóstico de fallas y, por lo general, se ofrecen como una solución de paquete en lugar de una oferta de juego de herramientas. El ejemplo incluye el método analítico de detección de anomalías de Smart Signals, basado en modelos de tipo autoasociativo (modelado basado en similitudes) que buscan cambios en la relación de correlación nominal en las señales, calculan residuos entre el rendimiento esperado y real y luego realizan pruebas de hipótesis en el residuo. señales (prueba secuencial de razón de probabilidad). [24] Expert Microsystems también ofrece tipos similares de métodos de análisis, que utiliza un método de kernel autoasociativo similar para calcular los residuos y tiene otros módulos para el diagnóstico y la predicción. [25]
Pronósticos a nivel del sistema
[26] Si bien la mayoría de los enfoques de pronóstico se centran en el cálculo preciso de la tasa de degradación y la vida útil restante (RUL) de los componentes individuales, es la tasa a la que se degrada el rendimiento de los subsistemas y sistemas lo que es de mayor interés para los operadores y el mantenimiento. personal de estos sistemas.
Ver también
Notas
- ^ Vachtsevanos; Lewis, Roemer; Hess y Wu (2006). Diagnóstico y pronóstico inteligente de fallas para sistemas de ingeniería . Wiley. ISBN 978-0-471-72999-0.
- ^ Pecht, Michael G. (2008). Pronósticos y Gestión Sanitaria de la Electrónica . Wiley. ISBN 978-0-470-27802-4.
- ^ Liu, Jie; Wang, Golnaraghi (2009). "Un predictor de varios pasos con un patrón de entrada variable para la previsión del estado del sistema". Sistemas mecánicos y procesamiento de señales . 23 (5): 1586-1599. Código Bibliográfico : 2009MSSP ... 23.1586L . doi : 10.1016 / j.ymssp.2008.09.006 .
- ^ Mosallam, A .; Medjaher, K; Zerhouni, N. (2014). "Método de pronóstico basado en datos basado en enfoques bayesianos para la predicción directa de la vida útil restante" (PDF) . Revista de fabricación inteligente . 27 (5): 1037–1048. doi : 10.1007 / s10845-014-0933-4 .
- ^ Mosallam, A .; Medjaher, K .; Zerhouni, N. (2015). Pronósticos basados en datos basados en componentes para sistemas complejos: Metodología y aplicaciones . Congreso Internacional de Ingeniería de Sistemas de Confiabilidad . págs. 1-7. doi : 10.1109 / ICRSE.2015.7366504 . ISBN 978-1-4673-8557-2.
- ^ Mosallam, A .; Medjaher, K; Zerhouni, N. (2013). "Modelado no paramétrico de series de tiempo para pronósticos industriales y gestión sanitaria" . Revista internacional de tecnología de fabricación avanzada . 69 (5): 1685–1699. doi : 10.1007 / s00170-013-5065-z .
- ^ Yu, Wei Kufi; Harris (2001). "Un nuevo modelo de resistencia a la fatiga basado en esfuerzos para rodamientos de bolas". Transacciones de tribología . 44 (1): 11–18. doi : 10.1080 / 10402000108982420 .
- ^ París, PC; F. Erdogan (1963). "Cierre de" Discusiones de 'un análisis crítico de las leyes de propagación de grietas' "(1963, ASME J. Basic Eng., 85, págs. 533-534)". Revista de Ingeniería Básica . 85 (4): 528–534. doi : 10.1115 / 1.3656903 .
- ^ Li, Y .; Kurfess, TR; Liang, SY (2000). "PRONÓSTICOS ESTOCÁSTICOS PARA RODAMIENTOS DE ELEMENTOS RODANTES". Sistemas mecánicos y procesamiento de señales . 14 (5): 747–762. doi : 10.1006 / mssp.2000.1301 . ISSN 0888-3270 .
- ^ Pecht, Michael; Jaai (2010). "Una hoja de ruta de pronóstico y gestión de la salud para sistemas ricos en información y electrónica". Fiabilidad de la microelectrónica . 50 (3): 317–323. Código Bibliográfico : 2010ESSFR ... 3.4.25P . doi : 10.1016 / j.microrel.2010.01.006 .
- ^ Liu, Jie; Wang, Ma; Yang, Yang (2012). "Un marco de pronóstico de fusión de modelos de datos para el pronóstico del estado del sistema dinámico" . Aplicaciones de ingeniería de la inteligencia artificial . 25 (4): 814–823. doi : 10.1016 / j.engappai.2012.02.015 .
- ^ researchgate.net
- ^ "Pronóstico y gestión de la salud para los profesionales de mantenimiento - Revisión, implementación y evaluación de herramientas" . Sociedad PHM . 2017-12-11 . Consultado el 13 de junio de 2020 .
- ^ Sankararaman, Shankar (2015). "Significado, interpretación y cuantificación de la incertidumbre en los pronósticos y predicción de la vida útil remanente". Sistemas mecánicos y procesamiento de señales . Elsevier BV. 52–53: 228–247. doi : 10.1016 / j.ymssp.2014.05.029 . ISSN 0888-3270 .
- ^ Sun, Jianzhong; Zuo, Hongfu; Wang, Wenbin; Pecht, Michael G. (2014). "Reducción de la incertidumbre de los pronósticos mediante la fusión de datos de monitoreo en línea basados en un modelo de degradación basado en el espacio de estados". Sistemas mecánicos y procesamiento de señales . Elsevier BV. 45 (2): 396–407. doi : 10.1016 / j.ymssp.2013.08.022 . ISSN 0888-3270 .
- ^ Duong, Pham LT; Raghavan, Nagarajan (2017). Cuantificación de la incertidumbre en los pronósticos: un enfoque de caos polinómico impulsado por datos . IEEE. doi : 10.1109 / icphm.2017.7998318 . ISBN 978-1-5090-5710-8.
- ^ Procesamiento de la incertidumbre en el pronóstico y la gestión de la salud: una visión general . IEEE. 2012. doi : 10.1109 / phm.2012.6228860 . ISBN 978-1-4577-1911-0.
- ^ Rocchetta, Roberto; Broggi, Matteo; Huchet, Quentin; Patelli, Edoardo (2018). "Actualización del modelo bayesiano en línea para el seguimiento de la salud estructural". Sistemas mecánicos y procesamiento de señales . Elsevier BV. 103 : 174-195. doi : 10.1016 / j.ymssp.2017.10.015 . ISSN 0888-3270 .
- ^ Instrumentos Nacionales. "Monitoreo de condición" .
- ^ Advantech. "Acceso web" .
- ^ Instrumentos Nacionales. "Kit de herramientas de Watchdog Agent®" .
- ^ Predictronics. "Predictronics" .
- ^ "Caja de herramientas de mantenimiento predictivo" . www.mathworks.com . Consultado el 11 de julio de 2019 .
- ^ Wegerich, S. (2005). "Modelado basado en similitud de características de vibración para la detección e identificación de fallas". Revisión del sensor . 25 (2): 114-122. doi : 10.1108 / 02602280510585691 .
- ^ Clarkson, SA; Bickford, RL (2013). "Clasificación de rutas y estimación de vida restante para sistemas que tienen modos complejos de falla". Conferencia MFPT .
- ^ Rodrigues, LR; Gomes, JPP; Ferri, FAS; Medeiros, IP; Galvão, RKH; Júnior, CL Nascimento (diciembre de 2015). "Uso de la información y la arquitectura del sistema PHM para la planificación optimizada del mantenimiento de aeronaves". Revista de sistemas IEEE . 9 (4): 1197–1207. Código Bibliográfico : 2015ISysJ ... 9.1197R . doi : 10.1109 / jsyst.2014.2343752 . ISSN 1932-8184 .
Bibliografía
Electrónica PHM
- Modelando los efectos del envejecimiento de los IGBT en los impulsores de potencia mediante la caracterización del anillo, A. Ginart, MJ Roemer, PW Kalgren y K. Goebel, en International Conference on Prognostics and Health Management , 2008, págs. 1-7.
- Pronósticos de la degradación de la interconexión mediante el monitoreo de impedancia de RF y la prueba de razón de probabilidad secuencial, D. Kwon, MH Azarian y M. Pecht, International Journal of Performability Engineering , vol. 6, no. 4, págs. 351–360, 2010.
- Evaluación de daños latentes y pronóstico de la vida residual en dispositivos electrónicos sin plomo en el aire bajo cargas termomecánicas, P. Lall, C. Bhat, M. Hande, V. More, R. Vaidya, J. Suhling, R. Pandher, K. Goebel, en Actas de la Conferencia Internacional sobre Pronósticos y Gestión de la Salud , 2008.
- Precursores de fallas para fusibles reiniciables de polímero, S. Cheng, K. Tom y M. Pecht, Transacciones de IEEE sobre confiabilidad de dispositivos y materiales , Vol.10, Issue.3, págs. 374–380, 2010.
- Sistema de pronóstico y advertencia para módulos electrónicos de potencia en vehículos eléctricos, eléctricos híbridos y de pila de combustible, Y. Xiong y X. Cheng, IEEE Transactions on Industrial Electronics , vol. 55, junio de 2008.
- Cheng, Shunfeng; Azarian, Michael H .; Pecht, Michael G. (2010). "Sistemas de sensores para el pronóstico y la gestión de la salud" . Sensores . 10 (6): 5774–5797. doi : 10.3390 / s100605774 . PMC 3247731 . PMID 22219686 .
- Cheng, S .; Tom, K .; Thomas, L .; Pecht, M. (2010). "Un sistema de sensores inalámbricos para el pronóstico y la gestión de la salud". Revista de sensores IEEE . 10 (4): 856–862. Código bibliográfico : 2010ISenJ..10..856C . doi : 10.1109 / jsen.2009.2035817 .
- Jaai, Rubyca; Pecht, Michael (2010). "Una hoja de ruta de pronóstico y gestión de la salud para sistemas ricos en información y electrónica". Fiabilidad de la microelectrónica . 50 (3): 317–323. Código Bibliográfico : 2010ESSFR ... 3.4.25P . doi : 10.1016 / j.microrel.2010.01.006 .
- Pronósticos basados en la física de fallas para productos electrónicos, Michael Pecht y Jie Gu, Transacciones del Instituto de Medición y Control 31, 3/4 (2009), págs. 309–322.
- Sachin Kumar, Vasilis Sotiris y Michael Pecht, 2008 Evaluación de la salud de productos electrónicos mediante el análisis de persecución de proyección y distancia de Mahalanobis, Revista internacional de ciencia e ingeniería de sistemas, información y computación, vol.2 Número 4, págs. 242–250 .
- Editorial Invitada: Introducción a la Sección Especial sobre Pronósticos de Sistemas Electrónicos y Gestión de la Salud, P. Sandborn y M. Pecht, Microelectronics Reliability , vol. 47, núm. 12, págs. 1847–1848, diciembre de 2007.
- Sandborn, PA; Wilkinson, C. (2007). "Un modelo de planificación de mantenimiento y desarrollo de casos de negocio para la aplicación de pronósticos y gestión de la salud (PHM) a sistemas electrónicos". Fiabilidad de la microelectrónica . 47 (12): 1889-1901. doi : 10.1016 / j.microrel.2007.02.016 .
- Gu, J .; Barker, D .; Pecht, M. (2007). "Implementación de pronósticos de electrónica bajo carga vibratoria". Fiabilidad de la microelectrónica . 47 (12): 1849–1856. doi : 10.1016 / j.microrel.2007.02.015 .
- Evaluación pronóstica de la estructura de soporte de aluminio en una placa de circuito impreso, S. Mathew, D. Das, M. Osterman, M. Pecht y R. Ferebee ASME Journal of Electronic Packaging, vol. 128, número 4, págs. 339–345, diciembre de 2006.
- Una metodología para evaluar la vida restante de los productos electrónicos, S. Mathew, P. Rodgers, V. Eveloy, N. Vichare y M. Pecht, International Journal of Performability Engineering , vol. 2, núm. 4, págs. 383–395, octubre de 2006.
- Pronóstico y gestión sanitaria de la electrónica, N. Vichare y M. Pecht, IEEE Transactions on Components and Packaging Technologies , vol. 29, No. 1, marzo de 2006.
enlaces externos
- Prognostics Journal es una revista de acceso abierto que proporciona un foro internacional para la publicación electrónica de artículos originales de investigación y experiencia industrial en todas las áreas de pronóstico de sistemas.
- Revista internacional de pronóstico y gestión de la salud
- The Prognostics and Health Management Society (PHM Society) es una organización profesional internacional sin fines de lucro dedicada al avance de PHM como una disciplina de ingeniería.
- El Centro de Pronóstico y Gestión de la Salud del Sistema de la City University of Hong Kong se dedica al desarrollo de tecnologías PHM que pueden beneficiar a las industrias aumentando su competitividad y rentabilidad.
- China PHM Society es una organización sin fines de lucro establecida para abordar las necesidades clave de la comunidad china relacionadas con la calidad, confiabilidad, mantenibilidad, seguridad y sustentabilidad.
- La Conferencia Anual de la Sociedad PHM es una conferencia internacional anual que se centra exclusivamente en PHM.
- El Programa Joint Strike Fighter realizó inversiones sustanciales en PHM y tecnologías relacionadas [1] .
- El Centro de Ingeniería Avanzada del Ciclo de Vida (CALCE) de la Universidad de Maryland, College Park tiene un grupo dedicado a proporcionar una base de investigación y conocimientos para apoyar el avance de la gestión de la salud con un enfoque en la electrónica.
- La Conferencia Aeroespacial IEEE presenta una de las pistas más antiguas sobre pronóstico y gestión de la salud.
- La Sociedad para la Tecnología de Prevención de Fallas de Maquinaria (MFPT) tiene una reunión anual que se centra en los últimos desarrollos en aplicaciones prácticas en el campo de PHM.
- El Centro de Excelencia de Pronósticos (PCoE) en el Centro de Investigación Ames de la NASA proporciona un marco para el desarrollo de tecnología de pronóstico aplicada a aplicaciones aeroespaciales. También mantiene un repositorio de datos con conjuntos de datos de ejecución hasta fallar que son de acceso público.
- El Grupo de Investigación PHM del Instituto Francés FEMTO-ST desarrolla métodos y experimentos para el pronóstico de sistemas industriales.