Fault Prognostics Using Logical Analysis of Data and Non-Parametric Reliability Estimation Methods
Year: 2014
Type: dissertation
Abstract: RESUME : Estimer la duree de vie utile restante (RUL) d’un systeme qui fonctionne suivant differentes conditions de fonctionnement represente un grand defi pour les chercheurs en maintenance conditionnelle (CBM). En effet, il est difficile de comprendre la relation entre les variables qui representent ces conditions de fonctionnement et la RUL dans beaucoup de cas en pratique a cause du degre eleve de correlation entre ces variables et leur dependance dans le temps. Il est egalement difficile, voire impossible, pour des experts d’acquerir et accumuler un savoir a propos de systemes complexes, ou l'echec de l'ensemble du systeme est vu comme le resultat de l'interaction et de la concurrence entre plusieurs modes de defaillance. Cette these presente des methodologies pour le pronostic en CBM base sur l'apprentissage automatique, et une approche de decouverte de connaissances appelee Logical Analysis of Data (LAD). Les methodologies proposees se composent de plusieurs implementations de la LAD combinees avec des methodes non parametriques d'estimation de fiabilite. L'objectif de ces methodologies est de predire la RUL du systeme surveille tout en tenant compte de l'analyse des modes de defaillance uniques ou multiples. Deux d’entre elles considerent un mode de defaillance unique et une autre considere de multiples modes de defaillance. Les deux methodologies pour le pronostic avec mode unique different dans la maniere de manipuler les donnees. Les methodologies de pronostique dans cette recherche doctorale ont ete testees et validees sur la base d'un ensemble de tests bien connus. Dans ces tests, les methodologies ont ete comparees a des techniques de pronostic connues; le modele a risques proportionnels de Cox (PHM), les reseaux de neurones artificiels (ANNs) et les machines a vecteurs de support (SVMs). Deux ensembles de donnees ont ete utilises pour illustrer la performance des trois methodologies: l'ensemble de donnees du turboreacteur a double flux (turbofan) qui est disponible au sein de la base de donnees pour le developpement d'algorithmes de pronostic de la NASA, et un autre ensemble de donnees obtenu d’une veritable application dans l'industrie. Les resultats de ces comparaisons indiquent que chacune des methodologies proposees permet de predire avec precision la RUL du systeme considere. Cette recherche doctorale conclut que l’approche utilisant la LAD possede d’importants merites et avantages qui pourraient etre benefiques au domaine du pronostic en CBM. Elle est capable de gerer les donnees en CBM qui sont correlees et variantes dans le temps. Son autre avantage et qu’elle genere un savoir interpretable qui est benefique au personnel de maintenance.----------ABSTRACT : Estimating the remaining useful life (RUL) for a system working under different operating conditions represents a big challenge to the researchers in the condition-based maintenance (CBM) domain. The reason is that the relationship between the covariates that represent those operating conditions and the RUL is not fully understood in many practical cases, due to the high degree of correlation between such covariates, and their dependence on time. It is also difficult or even impossible for the experts to acquire and accumulate the knowledge from a complex system, where the failure of the system is regarded as the result of interaction and competition between several failure modes. This thesis presents systematic CBM prognostic methodologies based on a pattern-based machine learning and knowledge discovery approach called Logical Analysis of Data (LAD). The proposed methodologies comprise different implementations of the LAD approach combined with non-parametric reliability estimation methods. The objective of these methodologies is to predict the RUL of the monitored system while considering the analysis of single or multiple failure modes. Three different methodologies are presented; two deal with single failure mode and one deals with multiple failure modes. The two methodologies for single mode prognostics differ in the way of representing the data. The prognostic methodologies in this doctoral research have been tested and validated based on a set of widely known tests. In these tests, the methodologies were compared to well-known prognostic techniques; the proportional hazards model (PHM), artificial neural networks (ANNs) and support vector machines (SVMs). Two datasets were used to illustrate the performance of the three methodologies: the turbofan engine dataset that is available at NASA prognostic data repository, and another dataset collected from a real application in the industry. The results of these comparisons indicate that each of the proposed methodologies provides an accurate prediction for the RUL of the monitored system. This doctoral research concludes that the LAD approach has attractive merits and advantages that add benefits to the field of prognostics. It is capable of dealing with the CBM data that are correlated and time-varying. Another advantage is its generation of an interpretable knowledge that is beneficial to the maintenance personnel.
Author: Ahmed Ragab
Language: English
Subfield: Safety, Risk, Reliability and Quality
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2518820463