Automated Condition-Based Monitoring of Automated People Movers
Notice bibliographique
Résumé
Cable-driven automated people movers (APMs) are complex, dynamic systems that are comprised of many critical rotating components such as bearings, gears, shafts, and line sheaves. Consequently, these systems are susceptible to a number of faults such as bearing failures, shaft misalignments, or gear tooth deterioration. Due to the continual operative nature of many APM systems, downtimes due to faults or superfluous maintenance can result in significant economic losses. Recently, preventative maintenance strategies have become an attractive alternative to traditional run-to-failure or scheduled maintenance strategies. Condition-based maintenance is a preventative maintenance strategy that works by detecting incipient faults within the critical components of a system through the identification of anomalies within condition indicators extracted from their vibration signatures. A fault is detected when a condition indicator exceeds a prescribed failure threshold. Traditionally, these failure thresholds are based on historical precedents or failure data obtained from similar specimens. However, due to their longevity and bespoke construction, many APMs lack the historical failure data required to define these failure thresholds in the traditional way. In this paper, an automated CBM framework developed specifically for a cable-driven APM gearbox is presented. The framework utilizes a state-based Gaussian mixture modeling approach to account for variations in operating conditions resulting from frequent start and stop phases, variations in passenger load, and fluctuations in cable tension, among other variables. Failure threshold setting is accomplished using a hierarchical Bayesian approach, which utilizes past and present data to set thresholds that adapt to changing health state of the machine over its lifespan. In addition to real-time monitoring, the proposed framework utilizes the collected data to model the degradation of the system in order to generate an estimate of its remaining useful life. The combination of short-term preventative maintenance (real-time fault detection) and long-term predictive maintenance coupled with automation, makes the presented approach a highly efficient tool for maintenance planning.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».