پیش بینی عیوب تجهیزات با استفاده از روش های مبتنی بر داده در حوزه پیش بینی و مدیریت سلامت PHM

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,387

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

RIEEM02_037

تاریخ نمایه سازی: 27 بهمن 1394

Abstract:

امروزه پیش بینی عمر مفید باقیمانده و زمان خرابی تجهیزات، یکی از دغدغه های اصلی سیستم های صنعتی پیچیده میباشد. تکامل و بهبود سیستم های پایش داده در سامانه های مختلف، تشخیص و پیش بینی عیوب را بسیار هموار نموده است. مدل پیش بینی و مدیریت سلامت در دهه اخیر با ایجاد یک همبستگی بین مهندسی صنایع، کامپیوتر، ارتباطات، کنترل و مفاهیم قابلیت اطمینان و کاهش هزیه ها، بسیار مورد توجه قرار گرفته است. درواقع بر اساس پیش بینی های صورت گرفته استفاده از مدلPHM در سیستم ها، دستگاه ها و اجزاء کاری، میتواند قابلیت دستیابی به نقصان صفر را فراهم آورد. در مدیریت سلامت و پیش بینی عیوب، در ابتدا بهپایش وضعیت سیستم جهت استخراج داده ها بر اساس سنسورهای تعبیه شده پرداخته، سپس با استفاده از الگوریتم های داده کاوی اختلال های داده ای از بین می روند و نهایتا به تشخیص و پیش بینی عیوب تجهیزات پرداخته میشود. با توجه به فراوانی مقالات مروری در حوزه تشخیص عیوب و کم بودن این مقالات در حوزه پیش بینی، هدف اصلی ما در این مقاله این است که با بررسی جامعادبیات پیش بینی عیوب، یک مرور کاربردی از مدیریت سلامت و الگوریتم های پیش بینی عیوب را ایجاد نموده، و با دسته بندی روش ها، توضیحات مرتبط با آنها را بیان نماییم و مقالات متنوعی که اخیرا به چاپ رسیده اند را به دقت مورد بررسی قرار دهیم. همچنین به بررسی خلاهای موجود در حوزه پیش بینی و مدیریت سلامت خواهیم پرداخت و موارد مورد نیاز جهت ادامه حرکت در این حوزه بسیار مهم و حیاتی توسط محققین را برخواهیم شمرد.

Keywords:

نگهداری و تعمیرات مبتنی بر شرایط , پیش بینی عیوب , روش های داده محور , پیش بینی و مدیریت سلامت , عمرمفید باقی مانده , قابلیت اطمینان

Authors

مسعود بختیاری

دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه علم و فرهنگ

عزیزاله جعفری

دانشیار دانشکده مهندسی صنایع، دانشگاه علم وفرهنگ

رضا کامران راد

دانشجوی دکتری مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه شاهد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Samuel, P.D. and D.J. Pines, A review of vibra tion-based ...
  • Juricic, D., A. Znidarsic, and D. Fissel, Generation of diagnostic ...
  • Martin, K., A review by discussion of condition monitoring and ...
  • Samanta, B. and K. Al-Balushi, Artificial neural network based fault ...
  • Singh, G., Induction machine drive condition monitoring and diagnostic research-a ...
  • Yan, R. and R.X. Gao, Approximate entropy as a diagnostic ...
  • Sugumaran, V., G. Sabareesh, and K. Ramac handran, Fault diagnostics ...
  • Goebel, K., B. Saha, and A. Saxena. A comparison of ...
  • Saha, B., K. Goebel, and J .Chri stophersen, Comparison of ...
  • Srivastava, A.N. and S. Das, Detection and prognostics _ low- ...
  • Chen, Z., Y. Yang, and Z. Hu, A technical framework ...
  • Lee, J., et al., Prognostics and health management design for ...
  • Wu, W., J. Hu, and J. Zhang. Prognostics of machine ...
  • Engel, S.J., et al. Prognostics, the real issues involved with ...
  • Luo, J., et al. Model-based prognostic techniques [maintenance applications]. in ...
  • Hess, A., G. Calvello, and P. Frith. Challenges, issues, and ...
  • Hong-feng, W., Prognostics and Health Management for Complex system Based ...
  • Gebraeel, N., A. Elwany, and J. Pan, Residual life predictions ...
  • Gebraeel, N. and J. Pan, Prognostic degradation models for computing ...
  • Luo, J., et al., Model-based prognostic techniques applied to a ...
  • Cadini, F., E. Zio, and D. Avram, Model-based Monte Carlo ...
  • Myotyri, E., U. Pulkkinen, and K. Simola, Application of stochastic ...
  • Zio, E. and F. Di Maio, A data-driven fuzzy approach ...
  • Heimes, _ Recurrent neural networks for remaining useful life estimation. ...
  • Kozlowski, J.D., et al. Electrochem ical cell diagnostics using online ...
  • Saha, B., et al., Prognostics methods for battery health monitoring ...
  • Goebel, K., N. Eklund, and P. Bonanni. Fusing competing prediction ...
  • Hu, C., Advances in system reliability- based design and prognostics ...
  • Ahmadzadeh, F. and J. Lundberg, Remaining useful life prediction of ...
  • Seeger, M., Gaussian processes for machine learning. International Jourmal of ...
  • Coppe, A., R.T. Haftka, and N.H. Kim, Uncertainty Identification of ...
  • Wang, X., et al., Residual life estimation based on bivariate ...
  • Si, X.-S., et al., A Wien er-pro cess-based degradation model ...
  • Liu, Q., M. Dong, and Y. Peng, A novel method ...
  • DePold, H.R. and F.D. Gas. The application of expert systems ...
  • Caesarendra, W., A. Widodo, and B.-S. Yang, Combination of probability ...
  • Yan, J. and J. Lee, Degradation assessment and fault modes ...
  • Caesarendra, W., A. Widodo, and B.-S. Yang, Application of relevance ...
  • Zhou, Z.-J., et al., A model for real-time failure prognosis ...
  • Baraldi, P., et al., Ensemble neural network-based particle filtering for ...
  • Liu .D., et al., Prognostics for state of health estimation ...
  • Gebraeel, N., et al., Residual life predictions from vibra tion-based ...
  • Ferreiro, S., et al., Application of Bayesian networks in prognostics ...
  • Lim, C.K.R. and D. Mba, Switching Kalman filter for failure ...
  • Dong, L, et al., Rough set and fuzzy wavelet neural ...
  • Sugumaran, V., V. Muralidharan, and K. Ramach andran, Feature selection ...
  • Zhou, Z.-J., et al., A model for online failure prognosis ...
  • Zhou, Z.-J., et al., Conditio n-based maintenance of dynamic systems ...
  • Zaidan, M.A., et al., Bayesian Hierarchical Models for aerospace ga ...
  • Ragab, A., et al., Remaining useful life prediction using prognostic ...
  • Sankararaman, S., Significance, interpretation, and quantification of uncertainty in prognostics ...
  • Fritzsche, R., J. Gupta, and R. Lasch, Optimal prognostic distance ...
  • Mosallam, A., K. Medjaher, and N. Zerhouni, Data-driven prognostic method ...
  • Fang, X., R. Zhou, and N. Gebraeel, An adaptive functional ...
  • Jiang, J., et al., A new BRB based method to ...
  • Wileman, A. and S. P erinp anayagam, Prognostic Health Management ...
  • Julka, N., et al., Making use of prognostics health management ...
  • Tan, X., et al., A novel approach of testability modeling ...
  • Chen, Y., F. Zhu, and J. Lee, Data quality evaluation ...