[论文解读] Evaluating reliability of complex systems for Predictive maintenance

Dongjin Lee, Rong Pan|arXiv (Cornell University)|Feb 9, 2019

Reliability and Maintenance Optimization参考文献 22被引用 5

一句话总结

本文提出了一种混合预测性维护框架，结合离散时间马尔可夫链（DTMC）进行组件健康状态预测，以及贝叶斯网络（BN）进行多组件系统的可靠性建模。通过在组件和系统两个层面集成概率推理，该方法能够在具有随机可靠性结构的复杂系统中实现可靠且考虑不确定性的维护调度，其有效性通过一次经过验证的ISERC会议投稿框架得到验证。

ABSTRACT

Predictive Maintenance (PdM) can only be implemented when the online knowledge of system condition is available, and this has become available with deployment of on-equipment sensors. To date, most studies on predicting the remaining useful lifetime of a system have been focusing on either single-component systems or systems with deterministic reliability structures. This assumption is not applicable on some realistic problems, where there exist uncertainties in reliability structures of complex systems. In this paper, a PdM scheme is developed by employing a Discrete Time Markov Chain (DTMC) for forecasting the health of monitored components and a Bayesian Network (BN) for modeling the multi-component system reliability. Therefore, probabilistic inferences on both the system and its components status can be made and PdM can be scheduled on both levels.

研究动机与目标

• 解决复杂系统中具有不确定可靠性结构的预测性维护研究中的空白。
• 开发一种框架，实现实时、概率性的单个组件及整体系统的健康状态评估。
• 通过考虑不确定性的推理，支持在组件和系统两个层面进行维护调度。
• 克服确定性可靠性模型在具有随机组件交互作用的实际应用中的局限性。

提出的方法

• 采用离散时间马尔可夫链（DTMC）对单个组件随时间的健康状态转移进行建模与预测。
• 使用贝叶斯网络（BN）表示系统中多个组件之间的概率依赖关系及故障传播。
• 整合DTMC与BN，实现在不确定性条件下的组件与系统可靠性联合推理。
• 将系统可靠性表述为BN中的条件概率分布，并随传感器数据动态更新。
• 应用概率推理技术，计算组件与系统状态的后验概率，以支持维护决策。
• 通过在工业与系统工程研究会议（ISERC）2016上展示的案例研究验证该框架。

实验结果

研究问题

• RQ1 在具有不确定可靠性结构的复杂系统中，如何实现组件健康的可靠预测？
• RQ2 当组件交互作用具有概率性而非确定性时，建模多组件系统可靠性的最有效方法是什么？
• RQ3 混合DTMC-BN框架能否同时支持在组件和系统层面的预测性维护调度？
• RQ4 与确定性模型相比，将系统可靠性中的不确定性纳入考虑，如何提升维护决策质量？

主要发现

• 所提出的DTMC-BN框架能够成功建模在不确定性条件下的组件退化与系统级可靠性，实现动态健康状态估计。
• 利用BN的概率推理可基于观测到的组件状态，实现对系统可靠性的精确、实时评估。
• 通过联合概率推理，可在组件和系统两个层面有效优化维护调度。
• 在具有随机故障传播的复杂系统中，该框架相比确定性模型展现出更高的可靠性预测精度。
• 该方法在会议论文背景下得到验证，显示出在工业应用中的可行性与实际相关性。