Prediction of Time Until Failure for a Micro Turbine With Unspecified Faults
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The potential extensive use of micro turbines in distributed power generation will produce a requirement for maintenance scheduling. The wide variety of operating environments and loads will demand that simple hour counters be overly conservative. Additionally, more advanced techniques, such as producing databases of the engine history or metallography, would have expenditures that far outweigh the benefit for such low cost engines. The technique presented in this paper predicts the remaining life of the engine based on operating data since the last overhaul. The technique is independent of the component degrading and uses specific fuel consumption as the determinant of failure, but does not require the measurement of fuel flow or power. The prime advantages of this technique are the requirement for few additional sensors beyond those needed for engine control, and the ability to predict the time until failure without knowledge of the fault occurring or input from the engine user. The system utilizes an algorithm to determine the form of the trend the path to failure is taking and applies exponential smoothing, which is then extrapolated forward to the failure conditions. Since the prediction is based on the operating data since the last overhaul, it initially performs very poorly, but as the engine approaches failure it improves. Depending on the form of the trend, good predictions begin between 30% and 70% through the life of the engine. The system was tested with a computer model of a micro turbojet engine with five different faults ranging from blockage of inlet filters to turbine degradation. Both single and combined faults were tested with similar success. The engine model, including healthy baseline and degraded operation, was validated with an experimental program.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle