Fault diagnosis and failure prognosis for engineering systems: A global perspective
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
Engineering systems, such as aircraft, industrial processes, manufacturing systems, transportation systems, electrical and electronic systems, etc., are becoming more complex and are subjected to failure modes that impact adversely their reliability, availability, safety and maintainability. Such critical assets are required to be available when needed, and maintained on the basis of their current condition rather than on the basis of scheduled or breakdown maintenance practices. Moreover, on-line, real-time fault diagnosis and prognosis can assist the operator to avoid catastrophic events. Recent advances in Condition-Based Maintenance and Prognostics and Health Management (CBM/PHM) have prompted the development of new and innovative algorithms for fault, or incipient failure, diagnosis and failure prognosis aimed at improving the performance of critical systems. This paper introduces an integrated systems-based framework (architecture) for diagnosis and prognosis that is generic and applicable to a variety of engineering systems. The enabling technologies are based on suitable health monitoring hardware and software, data processing methods that focus on extracting features or condition indicators from raw data via data mining and sensor fusion tools, accurate diagnostic and prognostic algorithms that borrow from Bayesian estimation theory, and specifically particle filtering, fatigue or degradation modeling, and real-time measurements to declare a fault with prescribed confidence and given false alarm rate while predicting accurately and precisely the remaining useful life of the failing component/system. Potential benefits to industry include reduced maintenance costs, improved equipment uptime and safety. The approach is illustrated with examples from the aircraft and industrial domains.
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 | 0,000 |
| 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