دانلود ترجمه مقاله مدل مخفی مارکوف برای پیش بینی عمر مفید باقی مانده (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

مدل مخفی مارکوف با مشاهدات خودکار همبستگی برای پیش بینی عمر مفید باقی مانده و سیاست ابقای بهینه

Hidden Markov model with auto-correlated observations for remaining useful life prediction and optimal maintenance policy

چکیده

۱- معرفی

۲- مدلسازی تخریب

۲-۱- مدل های مارکوف پنهان

۲-۲- مشاهدات وابسته خودکار تخریب

۲-۳- تخمین پارامتر

۲-۴- اثر داده های گم شده و اختلال

۳- دو روش برای پیش بینی عمر مفید باقی مانده

۳-۱ روش پیش بینی RUL مبتنی بر حالت

۳٫۲- روش پیش بینی RUL مبتنی بر مشاهدات

۴- مطالعه موردی

۴-۱- تایید روش های پیشگیری RUL

۴-۲- آنالیز حساسیت در برآورد پارامتر

۴-۳- مقایسه HMM-AO و HMM استاندارد

۵- سیاست حفظ حریم خصوصی مطلوب

۵-۱- سیاست نگهداری مبتنی بر RUL

۵-۲- سیاست های نگهداری مبتنی بر حالت

۵-۳- مقایسه

۶- نتیجه

چکیده

در این مقاله ، یک مدل مارکف مخفی با مشاهدات همبسته خودکار (HMM-AO) برای مدیریت مدل تخریب سیستم های تولید طراحی شده است. بر خلاف مدل های استاندارد مارکف مخفی (HMMs)، مشاهدات کنونی در مدل HMM-AO نه تنها به حالت مربوط به سیستم پنهان بستگی دارد بلکه بر مشاهدات قبلی نیز بستگی دارد. الگوریتم جدیدی با استفاده از حداکثر انتظار برای ارزیابی پارامترهای ناشناخته ارائه شده است. علاوه بر این، داده های از گم شده و اختلال که در طول زمان جمع می شوند نیز با اصلاح مدل پیشنهادی مورد توجه قرار می گیرند. سپس دو روش پیش بینی عمر مفید باقی مانده بر اساس مدل HMM-AO توسعه یافته اند. مقادیر پیش بینی شده را با دقت بیشتری می توان به دست آورد، از آنجایی که همبستگی مشاهدات در نظر گرفته شده است و تکامل زمانی فرایندهای تخریب به درستی توصیف شده است. یک مورد مطالعه نشان دادن مزایای HMM-AO و ثابت کردن دقت و کارایی روش های پیش بینی نشان داده شده است. علاوه بر این، یک سیاست تعمیر و نگهداری بهبود یافته بر اساس نتایج پیش بینی مفید عمر باقی مانده است ایجاد شده است. در نهایت، مقایسه ای با سیاست حفظ حریم خصوصی مبتنی بر شرایط متعارف برای اثبات عملکرد این سیاست پیشنهاد شده ارائه شده است.

۶- نتیجه گیری

در این مقاله، یک رویکرد مبتنی بر مدل HMM-AO برای نشان دادن روند تخریب پیشنهاد شده است.ویژگی همبستگی خودکار با ماتریس ضریب مشخص شده است. الگوریتم جدید بر اساس روش حداکثر انتظار برای توسعه پارامترهای ناشناخته است. ازگم شدن داده ها و اختلال که در طول زمان جمع می شوند، با تغییر مدل پیشنهادی، به حساب می آیند. سپس دو روش پیش بینی RUL بر اساس مدل HMM-AO ارائه شده است. اثربخشی روش های پیشنهادی با یک مطالعه واقعی با یک مجموعه داده های تخریبی LED نشان داده شده است. علاوه بر این، این داده ها سپس برای نشان دادن مزایای مدل HMM-AO در مقایسه با HMM استاندارد مورد استفاده قرار می گیرند. برای نشان دادن کاربرد RUL در چارچوب تعمیر و نگهداری، سیاست نگهداری مبتنی بر RUL با مشاهدات در دوران موقت هماهنگ است. با استفاده از داده های فرسودگی-شکاف-رشد، سیاست پیشنهادی نیز با یک سیاست مبتنی بر شرایط متعارف مقایسه می شود. گسترش بیشتر مدل HMM-AO به تشخیص خطا در سیستم های تولید، موضوع مناسبی برای تحقیقات آینده است. یکی دیگر از موضوعات جالب توجه، توسعه مدل های تخریب و سیاست های نگهداری بر اساس مدل پیشنهادی می باشد. علاوه بر این، HMM ها بیان می کنند که وضعیت فعلی تنها به حالت قبلی وابسته است، این نشان میدهد که توزیع های مدت حالت ثابت یا هندسی هستند. مدل سازی طول زمان وضعیت های پنهان در آینده ضروری است و بنابراین مدل مربوطه بیشتر قادر به فرآیندهای تخریب واقعی است.

Abstract

 In this paper, a hidden Markov model with auto-correlated observations (HMM-AO) is developed to handle the degradation modeling of manufacturing systems. Unlike the standard hidden Markov models (HMMs), the current observation in the HMM-AO model not only depends on the corresponding hidden system state, but also on the previous observations. A novel algorithm using the expectation maximum is presented to estimate the unknown parameters. Furthermore, missing data and noise that accumulate over time are also considered by modifying the proposed model. Then two remaining useful life prediction methods based on the HMM-AO model are developed. Predictive values of more accuracy can be obtained, since the autocorrelation of observations has been considered and the temporal evolution of degradation processes has been described properly. A case study is illustrated to highlight the advantages of HMM-AO and demonstrate the accuracy and efficiency of the prediction methods. Furthermore, an improved maintenance policy is developed based on the results of remaining useful life prediction. Finally, a comparison with a conventional condition-based maintenance policy is provided to prove the performance of this proposed policy.

۶- Conclusion

In this paper, we propose an approach based on the HMM-AO model to reflect the degradation process. The autocorrelation property of the observations is characterized by coefficient matrices. A novel algorithm based on the Expectation maximum method is developed to estimate the unknown parameters. Missing data and noise that accumulate over time are taken into account by modifying the proposed model. Then two RUL prediction methods based on the HMM-AO models are presented. The effectiveness of the proposed methods is demonstrated by a real case study with a LED degradation dataset. Furthermore, these data are then used to illustrate the advantages of the HMM-AO model by comparing with the standard HMM. To illustrate the application of the RUL in the framework of the maintenance, a RUL-based maintenance policy is developed with observations at equidistant time epochs. Using the fatigue-crack-growth data, the proposed policy is also compared with a conventional condition-based policy. Further extension of the HMM-AO model to fault diagnosis of production systems is a suitable topic for future research. Another interesting topic could be the development of the degradation models and the maintenance policies based on the proposed model. Moreover, HMMs state that the current state is dependent only on the previous state, this represents the distributions of the state durations are constant or geometric. Modeling the time duration of the hidden states is necessary in the furfure and therefore the corresponding model is more capable of real degradation processes.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدل مخفی مارکوف با مشاهدات خودکار همبستگی برای پیش بینی عمر مفید باقی مانده و سیاست ابقای بهینه

Hidden Markov model with auto-correlated observations for remaining useful life prediction and optimal maintenance policy