Pronósticos - Prognostics

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. 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. 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 el 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. 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 multivariada splines y la expansión de la serie de Volterra. 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 extrapolarlo a un umbral de daño (o salud), o (2) aprender directamente de los datos la vida útil restante. 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 (tanto condiciones de carga como ambientales) 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. Por lo general, se realizan 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 puede que no se utilicen 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.

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 la tensión inducida, el modelo de crecimiento de grietas de Paris y Erdogan y el modelo de propagación de defectos estocásticos son otros ejemplos de modelos de micro-nivel. Dado que las mediciones de las propiedades críticas del daño (como la tensión o la deformación de un componente mecánico) rara vez están disponibles, los parámetros del sistema detectados deben utilizarse 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. 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. 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 entre la respuesta del sensor y el 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 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 exactitud y la precisión donde el rendimiento se evalúa contra el final de la vida útil, generalmente conocido a priori en un entorno fuera de línea. 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 horizonte de pronóstico 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 el final de la vida útil. 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 cuantifica la precisión en relación con el tiempo real que queda antes de la falla.
• La convergencia cuantifica la rapidez con la que converge el rendimiento de un algoritmo a medida que se acerca el final de la vida útil.

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:

• 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 se puede abordar 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.

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. Entre los proveedores comerciales de ejemplo de hardware de adquisición de datos se incluyen National Instruments y Advantech Webaccess; 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. 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. Las soluciones comerciales personalizadas de monitoreo predictivo que utilizan el kit de herramientas Watchdog Agent ahora están siendo ofrecidas por una empresa de nueva creación llamada Predictronics Corporation en la que los fundadores fueron fundamentales en el desarrollo y la aplicación de esta tecnología PHM en el Centro de Sistemas de Mantenimiento Inteligente. Otro ejemplo es MATLAB y su caja de herramientas de mantenimiento predictivo, que proporciona funciones y una aplicación interactiva para explorar, extraer y clasificar características utilizando técnicas basadas en datos y modelos, incluido el análisis estadístico, espectral y de series de tiempo. Esta caja de herramientas también incluye ejemplos de referencia para motores, cajas de engranajes, baterías y otras máquinas que se pueden reutilizar para desarrollar algoritmos personalizados de monitoreo de condición y mantenimiento predictivo. 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). 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.

Pronósticos a nivel de sistema

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 personal de mantenimiento de estos. sistemas.

Ver también

Notas

Bibliografía

Electrónica PHM

enlaces externos