[논문 리뷰] On-line Survival Analysis of Power Electronic Converters Using Step Noise-Cox Processes

Pourya Shamsi|arXiv (Cornell University)|2015. 07. 10.

Electromagnetic Compatibility and Noise Suppression참고 문헌 23인용 수 3

한 줄 요약

이 논문은 시간에 따라 변화하는 스트레스 수준 하에서 전력 전자 변환기의 온라인 생존 분석 방법을 제안한다. 단계적 노이즈-Cox 과정을 사용하여 평균 잔여 수명(MRL)을 추정하며, 동적 스트레스 조건 하에서 노후화를 과대평가하는 기존의 오프라인 모델보다 성능이 뛰어나다. 시간에 따라 변화하는 스트레스를 확률적 과정으로 모델링하고 이중 확률적 포아송 과정(Cox 과정)을 적용함으로써 실시간으로 적응 가능한 MRL 추정이 가능해지며, 실시간 스트레스 측정치를 통합함으로써 기존의 정적 모델보다 정확도가 향상된다.

ABSTRACT

This paper is focused on survival analysis of electrical components. The main goal of this paper is to develop a method for on-line estimation of the Mean Time To Failure (MTTF) of electrical components under dynamic stress levels. The proposed method models the variations of the stress levels as a stochastic process. Hence, a stochastic failure rate function can be developed for each electrical component. Later, this function is used as the underlying rate of a doubly stochastic Poisson process (known as Cox processes). Furthermore, this Cox process is used for on-line estimation of the Mean Residual Life (MRL) using the observed stress levels. The proposed method provides a good estimate of the age and life expectancy of each component. An experimental case study is provided to demonstrate the proposed method.

연구 동기 및 목표

• 시간에 따라 변화하는 스트레스 수준 하에서 전기 부품의 평균 고故 시간(MTTF)과 평균 잔여 수명(MRL)을 온라인으로 추정하는 방법을 개발하기 위해.
• 일반적으로 고정된 최악의 스트레스 수준을 가정하는 전통적인 오프라인 신뢰성 모델의 한계를 해결하기 위해, 이는 스트레스 수준이 변할 경우 노후화를 과대평가하게 된다.
• 실제 운영 조건을 더 잘 반영하기 위해, 전압과 같은 운영 스트레스의 확률적 변동을 단계적 노이즈 과정으로 모델링하여 마이크로그리드 및 전기 자동차와 같은 시스템의 실제 동적 조건을 반영하기 위해.
• 관측된 스트레스 데이터를 기반으로 실시간으로 고장률 함수를 업데이트하여 연령과 수명 예측의 정확도를 향상시키기 위해.

제안 방법

• 시간에 따라 변화하는 스트레스 수준(예: 배터리 전압)을 동적 운영 조건을 반영하기 위해 단계적 노이즈 확률적 과정으로 모델링한다.
• 관측된 스트레스 수준을 사용하여 확률적 고장률 함수를 정의하고, 이를 이중 확률적 포아송 과정(Cox 과정)에 적용하여 고장 시간을 모델링한다.
• 각 시간점까지의 누적 스트레스 측정치 기록을 조건으로 하여 Cox 과정을 조건화함으로써 온라인으로 평균 잔여 수명(MRL)을 추정한다.
• 유한수명 및 마모 단계를 포함한 시간에 따라 변화하는 고장 행동을 모델링하기 위해 Weibull 기반의 배터린형 고장률 함수를 사용한다.
• 관측된 전압의 이동 평균 또는 누적 평균을 사용하여 향후 스트레스 수준의 기대값(E_G[ν])을 추정함으로써 향후 고장률을 예측한다.
• 기계적/화학적 마모로 인한 최대 MRL 15,500시간 등의 물리적 한계를 반영하기 위해 MRL 추정치에 클램핑을 적용한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 스트레스 수준 하에서 전력 전자 부품의 평균 잔여 수명(MRL)을 실시간으로 어떻게 추정할 수 있는가?
• RQ2 실시간 스트레스 측정치를 기반으로 한 확률적 고장률 함수를 사용할 경우, 정적 최악의 조건 모델 대비 MRL 추정 정확도가 얼마나 향상되는가?
• RQ3 향후 스트레스 수준을 추정하는 데 사용되는 다양한 전략(예: 마지막 관측값 대비 누적 평균)이 온라인 MRL 예측의 반응성과 정확성에 어떤 영향을 미치는가?
• RQ4 Cox 과정 프레임워크는 실제 응용에서 비균일한 스트레스 조건 하에서 부품의 고장까지의 시간 분포를 효과적으로 모델링할 수 있는가?

주요 결과

• 제안된 온라인 방법은 실제 측정된 전압 수준에 따라 고장률을 적응적으로 조정함으로써, 일정 120V 스트레스를 가정하는 오프라인 모델과 달리 노후화 과대평가를 줄였다.
• 콘덴서의 평균 노후화 요소는 3.7로 추정되었으며, 이는 구성 요소가 캘린더 시간보다 3.7배 더 빠르게 노후화됨을 의미하지만, 이 요소는 실시간 전압 데이터에 따라 동적으로 업데이트된다.
• 모델 1(마지막 관측 전압 사용)은 전압의 단계적 변화에 가장 빠른 반응을 보였고, 모델 3(누적 평균과 기본 노후화 요소 사용)는 가장 느린 반응을 보였지만 더 안정적인 성능을 보였다.
• 모든 제안된 모델는 t→∞일 때 동일한 장기적 MRL 추정치로 수렴하였으며, 정적 행동에서의 일관성을 확인하였다.
• MRL 곡선상에서 유아기 고장 단계는 약 2,500시간에 종료됨을 보여주며, 이는 모델이 초기 고장 역학을 잘 포착하고 있음을 시사한다.
• 온라인 MRL 추정 방법은 관측된 스트레스 역사에 기반하여 고장률 함수를 동적으로 조정함으로써 구성 요소의 연령과 잔여 수명에 대한 더 정확한 표현을 달성하였다.