International Journal of Prognostics and Health Management, ISSN 2153-2648, 2017 019 1 A Condition Based Maintenance Implementation for an Automated People Mover Gearbox
Notice bibliographique
Résumé
Data-driven condition-based maintenance (CBM) can be an effective predictive maintenance strategy for components within complex systems with unknown dynamics, nonstationary vibration signatures or a lack of historical failure data. CBM strategies allow operators to maintain components based on their condition in lieu of traditional alternatives such as preventive or corrective strategies. In this paper, the authors present an outline of the CBM program and a field pilot study being conducted on the gearbox, a critical component in an automated cable-driven people mover (APM) system at Toronto’s Pearson airport. This CBM program utilizes a paired server-client “two-tier” configuration for fault detection and prognosis. At the first level, fault detection is performed in real-time using vibration data collected from accelerometers mounted on the APM gearbox. Time-domain condition indicators are extracted from the signals to establish the baseline condition of the system to detect faults in real-time. All tier one tasks are handled autonomously using a controller located on-site. In the second level pertaining to prognostics, these condition indicators are utilized for degradation modeling and subsequent remaining useful life (RUL) estimation using random coefficient and stochastic degradation models. Parameter estimation is undertaken using a hierarchical Bayesian approach. Degradation parameters and the RUL model are updated in a feedback loop using the collected degradation data. While the case study presented will primarily focus on a cable-driven APM gearbox, the underlying theory and the tools developed to undertake diagnostics and prognostics tasks are broadly applicable to a wide range of other civil and industrial applications.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,005 |
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 ».