Prognosi - Prognostics

La prognostica è una disciplina ingegneristica focalizzata sulla previsione del momento in cui un sistema o un componente non svolgerà più la funzione prevista. Questa mancanza di prestazioni è molto spesso un errore oltre il quale il sistema non può più essere utilizzato per soddisfare le prestazioni desiderate. Il tempo previsto diventa quindi la vita utile residua ( RUL ), che è un concetto importante nel processo decisionale per la mitigazione delle contingenze. La prognostica prevede le prestazioni future di un componente valutando l'entità della deviazione o del degrado di un sistema rispetto alle condizioni operative normali previste. La scienza della prognosi si basa sull'analisi delle modalità di guasto, sul rilevamento dei primi segni di usura e invecchiamento e sulle condizioni di guasto. Una soluzione prognostica efficace viene implementata quando vi è una solida conoscenza dei meccanismi di guasto che potrebbero causare i degradi che portano a eventuali guasti nel sistema. È quindi necessario disporre di informazioni iniziali sui possibili guasti (inclusi sito, modalità, causa e meccanismo) in un prodotto. Tale conoscenza è importante per identificare i parametri di sistema che devono essere monitorati. I potenziali usi per la prognostica sono nella manutenzione basata sulle condizioni . La disciplina che collega gli studi sui meccanismi di guasto alla gestione del ciclo di vita del sistema è spesso indicata come gestione della prognostica e della salute ( PHM ), a volte anche gestione della salute del sistema ( SHM ) o, nelle applicazioni di trasporto, gestione della salute del veicolo ( VHM ) o gestione della salute del motore ( EHM ). Gli approcci tecnici alla costruzione di modelli nella prognostica possono essere classificati ampiamente in approcci basati sui dati, approcci basati su modelli e approcci ibridi.

Prognostica basata sui dati

La prognostica basata sui dati di solito utilizza tecniche di riconoscimento dei modelli e di apprendimento automatico per rilevare i cambiamenti negli stati del sistema. I classici metodi basati sui dati per la previsione del sistema non lineare includono l'uso di modelli stocastici come il modello autoregressivo (AR), il modello AR a soglia, il modello bilineare, l'inseguimento della proiezione, le spline di regressione adattiva multivariata e l'espansione della serie di Volterra. Dall'ultimo decennio, maggiori interessi nella previsione dello stato dei sistemi basati sui dati si sono concentrati sull'uso di modelli flessibili come vari tipi di reti neurali (NN) e sistemi neurali fuzzy (NF). Gli approcci basati sui dati sono appropriati quando la comprensione dei primi principi di funzionamento del sistema non è completa o quando il sistema è sufficientemente complesso da rendere proibitivo lo sviluppo di un modello accurato. Pertanto, i principali vantaggi degli approcci basati sui dati sono che spesso possono essere implementati in modo più rapido ed economico rispetto ad altri approcci e che possono fornire una copertura a livello di sistema (cfr. modelli basati sulla fisica, che possono essere di portata piuttosto ristretta). Lo svantaggio principale è che gli approcci basati sui dati possono avere intervalli di confidenza più ampi rispetto ad altri approcci e richiedono una notevole quantità di dati per la formazione. Gli approcci basati sui dati possono essere ulteriormente suddivisi in statistiche basate sulla flotta e condizionamento basato su sensori. Inoltre, le tecniche basate sui dati includono anche tecniche di conteggio dei cicli che possono includere la conoscenza del dominio .

Le due strategie di base basate sui dati implicano (1) la modellazione del danno cumulativo (o, equivalentemente, la salute) e quindi l'estrapolazione a una soglia di danno (o salute), o (2) l'apprendimento diretto dai dati della vita utile rimanente. Come accennato, un collo di bottiglia principale è la difficoltà nell'ottenere dati run-to-failure, in particolare per i nuovi sistemi, poiché l'esecuzione dei sistemi fino al fallimento può essere un processo lungo e piuttosto costoso. Quando l'utilizzo futuro non è lo stesso del passato (come con la maggior parte dei sistemi non fissi), la raccolta di dati che includa tutti i possibili utilizzi futuri (sia il carico che le condizioni ambientali) diventa spesso quasi impossibile. Anche laddove esistono dati, l'efficacia degli approcci data-driven non dipende solo dalla quantità ma anche dalla qualità dei dati operativi del sistema. Queste fonti di dati possono includere temperatura, pressione, detriti d'olio, correnti, tensioni, potenza, vibrazioni e segnale acustico, dati spettrometrici nonché dati di calibrazione e calorimetrici. I dati spesso devono essere pre-elaborati prima di poter essere utilizzati. In genere vengono eseguite due procedure: i) Denoising e ii) Estrazione delle caratteristiche. Denoising si riferisce alla riduzione o eliminazione dell'influenza del rumore sui dati. L'estrazione delle funzionalità è importante perché nel mondo odierno affamato di dati, viene raccolta un'enorme quantità di dati utilizzando la misurazione del sensore che potrebbe non essere utilizzata prontamente. Pertanto la conoscenza del dominio e l'elaborazione del segnale statistico vengono applicate per estrarre caratteristiche importanti da (il più delle volte) dati rumorosi e ad alta dimensionalità.

Prognosi basata su modelli

La prognostica basata sul modello tenta di incorporare la comprensione fisica (modelli fisici) del sistema nella stima della vita utile residua (RUL). La fisica dei modelli può essere realizzata a diversi livelli, ad esempio micro e macro. A livello micro (detto anche livello materiale), i modelli fisici sono incarnati da una serie di equazioni dinamiche che definiscono le relazioni, in un dato momento o ciclo di carico, tra il danneggiamento (o il degrado) di un sistema/componente e le condizioni ambientali e operative sotto le quali il sistema/componente sono azionati. I modelli a livello micro sono spesso indicati come modello di propagazione del danno. Ad esempio, il modello di vita a fatica di Yu e Harris per i cuscinetti a sfera, che mette in relazione la vita a fatica di un cuscinetto con lo stress indotto, il modello di crescita delle cricche di Paris e Erdogan e il modello stocastico di propagazione dei difetti sono altri esempi di modelli a livello micro. Poiché le misurazioni delle proprietà di danno critico (come la sollecitazione o la deformazione di un componente meccanico) sono raramente disponibili, i parametri di sistema rilevati devono essere utilizzati per dedurre i valori di sollecitazione/deformazione. I modelli di livello micro devono tenere conto nella gestione dell'incertezza delle ipotesi e delle semplificazioni, che possono porre limiti significativi a tale approccio.

I modelli a livello macro sono il modello matematico a livello di sistema, che definisce la relazione tra le variabili di input del sistema, le variabili di stato del sistema e le variabili/output delle misure di sistema in cui il modello è spesso una rappresentazione in qualche modo semplificata del sistema, ad esempio un modello a parametri concentrati . Il compromesso è una maggiore copertura con una possibile riduzione dell'accuratezza di una particolare modalità di degradazione. Laddove questo compromesso è consentito, il risultato può essere una prototipazione più rapida. Tuttavia, laddove i sistemi sono complessi (ad es. un motore a turbina a gas), anche un modello a livello macro può essere un processo piuttosto lungo e laborioso. Di conseguenza, i modelli di livello macro potrebbero non essere disponibili in dettaglio per tutti i sottosistemi. Le semplificazioni risultanti devono essere giustificate dalla gestione dell'incertezza.

Approcci ibridi

Gli approcci ibridi tentano di sfruttare la forza sia degli approcci basati sui dati sia degli approcci basati su modelli. In realtà, è raro che gli approcci sul campo siano completamente o puramente basati sui dati o puramente basati su modelli. Il più delle volte, gli approcci basati su modelli includono alcuni aspetti degli approcci basati sui dati e gli approcci basati sui dati raccolgono le informazioni disponibili dai modelli. Un esempio per il primo potrebbe essere l'ottimizzazione dei parametri del modello utilizzando i dati del campo. Un esempio per quest'ultimo è quando il set-point, il bias o il fattore di normalizzazione per un approccio basato sui dati è dato dai modelli. Gli approcci ibridi possono essere classificati a grandi linee in due categorie, 1) fusione pre-stima e 2.) fusione post-stima.

Fusione preventiva di modelli e dati

La motivazione per l'aggregazione pre-stima potrebbe essere che non sono disponibili dati sulla verità fondamentale. Ciò può verificarsi in situazioni in cui la diagnostica svolge un buon lavoro nel rilevare i guasti che vengono risolti (tramite la manutenzione) prima che si verifichi un guasto del sistema. Pertanto, non ci sono quasi dati run-to-failure. Tuttavia, c'è un incentivo a sapere meglio quando un sistema non riuscirebbe a sfruttare meglio la vita utile rimanente evitando allo stesso tempo la manutenzione non programmata (la manutenzione non programmata è in genere più costosa della manutenzione programmata e comporta tempi di fermo del sistema). Garga et al. descrivere concettualmente un approccio ibrido di aggregazione pre-stima in cui la conoscenza del dominio viene utilizzata per modificare la struttura di una rete neurale, risultando così in una rappresentazione più parsimoniosa della rete. Un altro modo per realizzare l'aggregazione pre-stima è mediante un processo combinato off-line e on-line: in modalità off-line, è possibile utilizzare un modello di simulazione basato sulla fisica per comprendere le relazioni tra la risposta del sensore e lo stato di guasto; Nella modalità online, è possibile utilizzare i dati per identificare lo stato di danno attuale, quindi tracciare i dati per caratterizzare la propagazione del danno e infine applicare un modello di propagazione basato sui dati individualizzato per la previsione della vita residua. Ad esempio, Khorasgani et al hanno modellato la fisica del guasto nei condensatori elettrolitici. Quindi, hanno utilizzato un approccio con filtro antiparticolato per derivare la forma dinamica del modello di degradazione e stimare lo stato attuale di salute del condensatore. Questo modello viene quindi utilizzato per ottenere una stima più accurata della vita utile residua (RUL) dei condensatori in quanto sottoposti alle condizioni di stress termico.

Fusione post-stima di approcci basati su modelli con approcci basati sui dati

La motivazione per la fusione post-stima è spesso la considerazione della gestione dell'incertezza. Cioè, la fusione post-stima aiuta a restringere gli intervalli di incertezza degli approcci basati sui dati o basati su modelli. Allo stesso tempo, la precisione migliora. L'idea di fondo è che più fonti di informazioni possono aiutare a migliorare le prestazioni di uno stimatore. Questo principio è stato applicato con successo nel contesto della fusione di classificatori in cui l'output di più classificatori viene utilizzato per ottenere un risultato migliore rispetto a qualsiasi classificatore da solo. Nel contesto della prognostica, la fusione può essere realizzata impiegando valutazioni di qualità che vengono assegnate ai singoli stimatori in base a una varietà di input, ad esempio euristica, prestazioni note a priori, orizzonte di previsione o robustezza della previsione.

Valutazione delle prestazioni prognostiche

La valutazione prognostica delle prestazioni è di fondamentale importanza per un'implementazione di successo del sistema PHM. La prima mancanza di metodi standardizzati per la valutazione delle prestazioni e set di dati di riferimento ha portato a fare affidamento su metriche di prestazione convenzionali prese in prestito dalle statistiche. Tali metriche erano principalmente basate sull'accuratezza e la precisione in cui le prestazioni vengono valutate rispetto alla fine del ciclo di vita, in genere noto a priori in un'impostazione offline. Più di recente, gli sforzi per far maturare la tecnologia prognostica si sono concentrati in modo significativo sulla standardizzazione dei metodi prognostici, compresi quelli di valutazione delle prestazioni. Un aspetto chiave, assente dalle metriche convenzionali, è la capacità di monitorare le prestazioni nel tempo. Questo è importante perché la prognosi è un processo dinamico in cui le previsioni vengono aggiornate con una frequenza appropriata man mano che più dati di osservazione diventano disponibili da un sistema operativo. Allo stesso modo, le prestazioni della previsione cambiano con il tempo che deve essere monitorato e quantificato. Un altro aspetto che rende diverso questo processo in un contesto PHM è il valore temporale di una previsione RUL. Quando un sistema si avvicina al guasto, la finestra temporale per intraprendere un'azione correttiva si riduce e di conseguenza l'accuratezza delle previsioni diventa più critica per il processo decisionale. Infine, la casualità e il rumore nel processo, nelle misurazioni e nei modelli di previsione sono inevitabili e quindi la prognosi implica inevitabilmente incertezza nelle sue stime. Una solida valutazione delle prestazioni prognostiche deve incorporare gli effetti di questa incertezza.

Diverse metriche delle prestazioni prognostiche si sono evolute tenendo conto di questi problemi:

• L'orizzonte prognostico (PH) quantifica quanto in anticipo un algoritmo può prevedere con la precisione desiderata prima che si verifichi un errore. È preferibile un orizzonte prognostico più lungo in quanto più tempo è quindi disponibile per un'azione correttiva.
• La precisione α-λ rafforza ulteriormente i livelli di precisione desiderati utilizzando un cono di restringimento della precisione desiderata man mano che si avvicina la fine del ciclo di vita. Per soddisfare in ogni momento le specifiche α-λ desiderate, un algoritmo deve migliorare nel tempo per rimanere all'interno del cono.
• L'accuratezza relativa quantifica l'accuratezza relativa al tempo effettivo rimanente prima del guasto.
• La convergenza quantifica la velocità di convergenza delle prestazioni per un algoritmo all'avvicinarsi della fine del ciclo di vita.

Una rappresentazione visiva di queste metriche può essere utilizzata per rappresentare le prestazioni prognostiche su un orizzonte temporale lungo.

Incertezza nella prognosi

Ci sono molti parametri di incertezza che possono influenzare l'accuratezza della previsione. Questi possono essere classificati come:

• Incertezza nei parametri del sistema: riguarda l'incertezza nei valori dei parametri fisici del sistema (resistenza, induttanza, rigidezza, capacità, ecc.). Questa incertezza è indotta dalle condizioni ambientali e operative in cui il sistema evolve. Questo può essere affrontato utilizzando metodi adeguati come quelli a intervalli.
• Incertezza nel modello di sistema nominale: riguarda le imprecisioni nei modelli matematici che si generano per rappresentare il comportamento del sistema. Queste imprecisioni (o incertezze) possono essere il risultato di un insieme di ipotesi utilizzate durante il processo di modellazione e che portano a modelli che non si adattano esattamente al comportamento reale del sistema.
• Incertezza nel modello di degrado del sistema: il modello di degrado può essere ottenuto da test di vita accelerata condotti su diversi campioni di dati di un componente. In pratica, i dati ottenuti da prove di vita accelerata eseguite nelle stesse condizioni operative possono avere un diverso andamento del degrado. Questa differenza nelle tendenze di degrado può quindi essere considerata come un'incertezza nei modelli di degrado derivati ​​dai dati relativi alle prove di vita accelerata.
• Incertezza nella previsione: l' incertezza è inerente a qualsiasi processo di previsione. Qualsiasi previsione del modello nominale e/o di degrado è imprecisa, il che è influenzato da diverse incertezze come l'incertezza nei parametri del modello, le condizioni ambientali e i futuri profili di missione. L'incertezza di previsione può essere affrontata utilizzando strumenti di stima e previsione bayesiani e online (ad es. filtri antiparticolato e filtro di Kalman, ecc.).
• Incertezza nelle soglie di guasto: la soglia di guasto è importante in qualsiasi metodo di rilevamento e previsione dei guasti. Determina il momento in cui il sistema si guasta e di conseguenza la vita utile residua. In pratica, il valore della soglia di guasto non è costante e può variare nel tempo. Può anche cambiare in base alla natura del sistema, alle condizioni operative e all'ambiente in cui si evolve. Tutti questi parametri inducono incertezza che dovrebbe essere considerata nella definizione della soglia di guasto.

Esempi di quantificazione dell'incertezza possono essere trovati in.

Piattaforme hardware e software commerciali

Per la maggior parte delle applicazioni industriali PHM, l'hardware e i sensori di acquisizione dati commerciali standard sono normalmente i più pratici e comuni. Esempi di fornitori commerciali per l'hardware di acquisizione dati includono National Instruments e Advantech Webaccess; tuttavia, per alcune applicazioni, l'hardware può essere personalizzato o rinforzato secondo necessità. Tipi di sensori comuni per applicazioni PHM includono accelerometri, temperatura, pressione, misurazioni della velocità di rotazione mediante encoder o tachimetri, misurazioni elettriche di tensione e corrente, emissioni acustiche, celle di carico per misurazioni di forza e misurazioni di spostamento o posizione. Esistono numerosi fornitori di sensori per questi tipi di misurazione, alcuni dei quali hanno una linea di prodotti specifica più adatta per il monitoraggio delle condizioni e le applicazioni PHM.

Gli algoritmi di analisi dei dati e la tecnologia di riconoscimento dei modelli vengono ora offerti in alcune piattaforme software commerciali o come parte di una soluzione software preconfezionata. National Instruments ha attualmente una versione di prova (con un rilascio commerciale nel prossimo anno) del toolkit prognostico Watchdog Agent, che è una raccolta di algoritmi PHM basati sui dati che sono stati sviluppati dal Center for Intelligent Maintenance Systems. Questa raccolta di oltre 20 strumenti consente di configurare e personalizzare gli algoritmi per l'estrazione delle firme, il rilevamento delle anomalie, la valutazione dell'integrità, la diagnosi dei guasti e la previsione dei guasti per una determinata applicazione, se necessario. Soluzioni commerciali di monitoraggio predittivo personalizzate che utilizzano il toolkit Watchdog Agent sono ora offerte da una recente start-up chiamata Predictronics Corporation in cui i fondatori sono stati determinanti nello sviluppo e nell'applicazione di questa tecnologia PHM presso il Center for Intelligent Maintenance Systems. Un altro esempio è MATLAB e il suo Predictive Maintenance Toolbox che fornisce funzioni e un'app interattiva per esplorare, estrarre e classificare le funzionalità utilizzando tecniche basate su dati e modelli, tra cui analisi statistiche, spettrali e di serie temporali. Questo toolbox include anche esempi di riferimento per motori, riduttori, batterie e altre macchine che possono essere riutilizzate per sviluppare algoritmi di manutenzione predittiva e monitoraggio delle condizioni personalizzati. Altre offerte di software commerciali si concentrano su alcuni strumenti per il rilevamento delle anomalie e la diagnosi dei guasti e sono generalmente offerte come soluzione a pacchetto anziché come offerta di toolkit. L'esempio include il metodo analitico di rilevamento delle anomalie dei segnali intelligenti, basato su modelli di tipo autoassociativo (modellazione basata sulla somiglianza) che cercano cambiamenti nella relazione di correlazione nominale nei segnali, calcola i residui tra le prestazioni previste e quelle effettive, quindi esegue il test di ipotesi sul residuo segnali (test del rapporto di probabilità sequenziale). Metodi di analisi simili sono offerti anche da Expert Microsystems, che utilizza un metodo kernel auto-associativo simile per il calcolo dei residui e dispone di altri moduli per la diagnosi e la previsione.

Prognosi a livello di sistema

Mentre la maggior parte degli approcci prognostici si concentra sul calcolo accurato del tasso di degradazione e della vita utile residua (RUL) dei singoli componenti, è la velocità con cui le prestazioni dei sottosistemi e dei sistemi degradano che è di maggiore interesse per gli operatori e il personale di manutenzione di questi sistemi.

Guarda anche

Appunti

Bibliografia

Elettronica PHM

link esterno