Temperature measurement uncertainty quantification in condition monitoring of critical infrastructure using complex timeseries dependency modeling
Notice bibliographique
Résumé
Maintenance interventions are required to keep power generation component temperatures within prescribed guidelines but come with the consequence of lost generation days. Understanding temperature increases caused by asset aging processes is critical to maintain safe operation but avoid needless maintenance. This is particularly important when power plants are approaching the end of their planned operational lifetime and may not operate as efficiently, eroding generation revenue margins. Temperature measurements, in many cases the earliest indicators of performance degradation, can be subject to a variety of uncertainty and noise stemming from plant configuration, sensor calibration changes and the general variability of component aging processes. The capability to provide confidence bounds on the predicted temperatures in the presence of measurement noise can permit maintenance decisions to be made with sufficient certainty on lead time to select the best course of maintenance action, given operational or financial constraints. This paper presents an approach for identifying the rate at which mechanical component temperatures can increase over a given operational horizon and presents a predictive distribution of the predictive error that may result from that estimate. A framework utilizing the dependency structure between propagated measurement and modeling uncertainty is developed through investigating a series of increasingly detailed Copula-based approaches applied to the residuals from data-based predictive models. The contribution is demonstrated on operational power generation data as well as stylized exemplar data. • Understand temperature measurement uncertainty propagation in lifetime prediction. • Provides temperature prediction confidence in presence of noise and errors. • Improved confidence by complex dependency between time measurement and uncertainties • Copula approach demonstrates improved performance on actual operational asset data
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 | 0,001 | 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 ».