A probabilistic approach to remaining useful life prediction of rolling element bearings
Notice bibliographique
Résumé
In this article, we present a probabilistic approach for fault detection and prognosis of rolling element bearings based on a two-phase degradation model. One of the main issues in dealing with bearing degradation is that the degradation mechanism is unobservable and can only be inferred through appropriate surrogate measures obtained from indirect sensory measurements. Furthermore, the stochastic nature of the degradation path renders fault detection and estimating the end-of-life characteristics from such data extremely challenging. When such components are a part of a larger system, the exact degradation path depends on both the operating and loading conditions, which means that the most effective condition monitoring approach should estimate the degradation model parameters under operational conditions, and not solely from isolated component testing or historical information. Motivated by these challenges, a two-phase degradation model using surrogate measures of degradation from vibration measurements is proposed and a Bayesian approach is used to estimate the model parameters. The underlying methodology involves using priors from historical data, while the posterior calculations are undertaken using surrogate measures obtained from a monitored unit combined with the aforesaid priors. The problem of fault detection is posed as a change point location problem. This allows the prior knowledge obtained from the past failures to be integrated for maintenance planning of a currently working unit in a systematic way. The correlation between the degradation rate and the time of occurrence of the change point, an often overlooked aspect in prognosis, is also considered in here. A numerical example and a case study are presented to illustrate the overall methodology and the results obtained using this approach.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».