프로그노스틱스

Prognostics
이 기사는 공학의 규율에 관한 것이다. 의학 용어의 경우 예후를 참조하십시오.

예노스틱스(prognostics)는 시스템이나 구성 요소가 더 이상 의도된 기능을 수행하지 않는 시간을 예측하는 데 초점을 맞춘 공학 분야다.[1] 이러한 성능의 부족은 대부분 시스템이 더 이상 원하는 성능을 충족시키기 위해 사용될 수 없는 실패다. 예측된 시간은 나머지 내용연수(RL)가 되며, 이는 우발적 완화를 위한 의사결정에서 중요한 개념이다. 예노스틱스(prognostics)는 예상되는 정상 작동 조건에서 시스템의 편차 또는 열화 정도를 평가하여 부품의 미래 성능을 예측한다.[2] 예후과학은 고장모드의 분석, 마모 및 노화의 초기 징후 검출, 고장 조건 등을 바탕으로 한다. 효과적인 예후 솔루션은 시스템의 최종적인 고장으로 이어질 가능성이 높은 고장 메커니즘에 대한 건전한 지식이 있을 때 구현된다. 따라서 제품에서 발생할 수 있는 고장(사이트, 모드, 원인 및 메커니즘 포함)에 대한 초기 정보가 필요하다. 이러한 지식은 모니터링할 시스템 매개변수를 식별하는 데 중요하다. 예후학을 위한 잠재적인 용도는 조건 기반 유지보수에 있다. 고장 메커니즘의 연구를 시스템 라이프사이클 관리(PHM)와 연결하는 분야를 예후 및 건강 관리(PHM)라고 부르기도 하며, 때로는 시스템 상태 관리(SHM) 또는 운송 애플리케이션에서 차량 상태 관리(VHM) 또는 엔진 상태 관리(EHM)라고도 한다. 예노스틱스의 모델 구축에 대한 기술적 접근방식은 크게 데이터 중심 접근방식, 모델 기반 접근방식, 하이브리드 접근방식으로 분류할 수 있다.

데이터 기반 예측 분석

데이터 기반 예후학은 대개 패턴 인식과 머신러닝 기법을 사용하여 시스템 상태의 변화를 탐지한다.[3] 비선형 시스템 예측을 위한 고전적인 데이터 기반 방법에는 자기 회귀(AR) 모델, 분계점 AR 모델, 이선형 모델, 투영 추적, 다변량 적응 회귀 스플라인, 볼테라 시리즈 확장 등과 같은 확률적 모델의 사용이 포함된다. 지난 10년 이래 데이터 중심 시스템 상태 예측에 대한 관심이 다양한 형태의 신경망(NN)과 신경 퍼지(NF) 시스템과 같은 유연한 모델의 사용에 집중되어 왔다. 데이터 기반 접근방식은 시스템 운용의 첫 번째 원리에 대한 이해가 포괄적이지 않거나 시스템이 충분히 복잡하여 정확한 모델을 개발하는 데 비용이 엄청나게 많이 들 때 적합하다. 따라서 데이터 기반 접근방식의 주요 장점은 다른 접근방식에 비해 빠르고 저렴하게 배치될 수 있으며, 시스템 전체 적용범위(cf)를 제공할 수 있다는 것이다. 범위가 상당히 좁을 수 있는 물리 기반 모델). 주된 단점은 데이터 기반 접근방식은 다른 접근방식에 비해 신뢰 구간이 넓을 수 있고 훈련을 위해 상당한 양의 데이터가 필요하다는 점이다. 데이터 기반 접근방식은 비행대 기반 통계와 센서 기반 조건화로 더욱 세분화될 수 있다. 또한, 데이터 기반 기술은 도메인 지식을 포함할 수 있는 주기 카운팅 기법도 소진한다.

두 가지 기본적인 데이터 기반 전략은 (1) 누적 손상(또는 동등하게 건강)을 모델링한 다음 손상(또는 건강) 문턱값으로 외삽하거나 (2) 남은 내용연수를 데이터로부터 직접 학습하는 것을 포함한다.[4][5] 앞서 언급한 바와 같이, 주요 병목현상은 특히 새로운 시스템의 경우 시스템 실행이 오래 걸리고 다소 비용이 많이 드는 프로세스일 수 있기 때문에 장애 발생 데이터를 얻기 어렵다는 것이다. (대부분의 비스테이션 시스템과 마찬가지로) 미래 사용법이 과거와 같지 않을 경우, 가능한 모든 미래 사용량(부하 및 환경 조건 모두)을 포함하는 데이터 수집이 거의 불가능해지는 경우가 많다. 데이터가 존재하는 곳에서도 데이터 중심 접근법의 효율성은 양뿐만 아니라 시스템 운용 데이터의 품질에도 좌우된다. 이러한 데이터 소스에는 온도, 압력, 오일 잔해, 전류, 전압, 전력, 진동 및 음향 신호, 분광 데이터 및 교정 및 열량 데이터가 포함될 수 있다. 데이터를 사용하기 전에 미리 처리해야 하는 경우가 많다. 전형적으로 두 가지 절차가 수행된다 i) 디노이즈 및 ii) 특성 추출. 디노이즈란 소음이 데이터에 미치는 영향을 줄이거나 제거하는 것을 말한다. 특징 추출이 중요한 이유는 오늘날의 데이터 배고픈 세상에서는 쉽게 사용하지 못할 수도 있는 센서 측정을 사용하여 엄청난 양의 데이터를 수집하기 때문이다. 따라서 도메인 지식 및 통계 신호 처리를 적용하여 소음이 많은 고차원 데이터에서 중요한 특징을 추출한다.[6]

모델 기반 예후학

모델 기반 예후학은 시스템의 물리적 이해(물리적 모델)를 남은 내용 수명(RL)의 추정에 통합하려고 시도한다. 모델링 물리학은 예를 들어 마이크로 레벨과 매크로 레벨과 같은 다른 레벨에서 수행될 수 있다. 마이크로 레벨(재료 레벨이라고도 함)에서 물리적 모델은 시스템/구성 요소의 손상(또는 분해)과 시스템/구성 요소가 작동하는 환경 및 운영 조건 사이의 관계를 정의하는 일련의 동적 방정식으로 구현된다. 마이크로 레벨 모델은 흔히 손상 전파 모델이라고 불린다. 예를 들어 유·해리스의 볼베어링 피로수명모델은 베어링의 피로수명을 유도스트레스에 연동하는 모델,[7] 파리·에르도안의 균열성장 모델,[8] 확률적 결함-제안[9] 모델 등이 마이크로레벨 모델의 또 다른 예다. 심각한 손상 특성(기계 구성 요소의 응력 또는 변형률 등)의 측정은 거의 사용할 수 없으므로, 감지된 시스템 매개변수를 사용하여 응력/스트레인 값을 유추해야 한다. 마이크로 레벨 모델은 불확실성 관리에서 가정과 단순화를 설명해야 하며, 이는 접근방식의 유의적인 한계를 나타낼 수 있다.

매크로 수준 모델은 시스템 수준의 수학적 모델로서, 시스템 입력 변수, 시스템 상태 변수 및 시스템 측정 변수/출력 간의 관계를 정의하며, 이 모델은 종종 시스템을 다소 단순하게 표현하는데, 예를 들어, 일괄 파라미터 모델과 같다. 트레이드오프는 특정 분해 모드의 정확도를 감소시킬 수 있는 커버리지를 증가시키는 것이다. 이러한 절충이 허용되는 경우 더 빠른 시제품 제작이 그 결과일 수 있다. 그러나 시스템이 복잡한 경우(예: 가스 터빈 엔진) 매크로 레벨 모델도 다소 시간이 많이 걸리고 노동 집약적인 프로세스일 수 있다. 결과적으로, 매크로 레벨 모델은 모든 서브시스템에 대해 상세하게 이용할 수 없을 수 있다. 결과적인 단순화는 불확실성 관리로 회계처리할 필요가 있다.

하이브리드 접근 방식

하이브리드 접근 방식은 데이터 기반 접근 방식과 모델 기반 접근 방식의 장점을 모두 활용하려고 시도한다.[10][11] 실제로 현장 접근법이 완전히 데이터 중심적이거나 순수하게 모델 기반인 경우는 드물다. 종종 모델 기반 접근방식은 데이터 기반 접근방식의 일부 측면을 포함하며, 데이터 기반 접근방식은 모델로부터 이용 가능한 정보를 수집한다. 전자의 예로는 모델 매개변수가 필드 데이터를 사용하여 조정되는 경우를 들 수 있다. 후자의 예로는 데이터 중심 접근법에 대한 설정점, 치우침 또는 정규화 요인이 모델에 의해 주어지는 경우를 들 수 있다. 하이브리드 접근법은 크게 1) 사전 추정 핵융합과 2) 사후 추정 핵융합이라는 두 가지 범주로 분류할 수 있다.

모델과 데이터의 융합 사전 추정

사전 추정 집계를 위한 동기는 지상 진실 데이터가 없기 때문일 수 있다. 이는 시스템 고장이 발생하기 전에 (유지관리를 통해) 해결된 고장을 진단에서 잘 감지하는 상황에서 발생할 수 있다. 따라서, 실패에 대한 실행 데이터는 거의 없다. 그러나 시스템이 계획되지 않은 유지보수(예약되지 않은 유지보수는 일반적으로 예정된 유지보수보다 비용이 많이 들고 시스템 다운타임이 초래됨)를 피하면서 남은 내용연수를 더 잘 활용하지 못하는 경우를 더 잘 알 수 있는 동기가 있다. Garga 등에서는 신경망의 구조를 변경하기 위해 도메인 지식이 사용되어 네트워크의 보다 패러모니언적인 표현을 초래하는 사전 추정 집합 하이브리드 접근방식을 개념적으로 설명한다.[citation needed] 사전 추정 집계를 수행하는 또 다른 방법은 오프라인 프로세스와 온라인 프로세스를 결합하는 것이다. 오프라인 모드에서는 물리 기반 시뮬레이션 모델을 사용하여 결함 상태에 대한 센서 응답의 관계를 파악할 수 있으며, 온라인 모드에서는 데이터를 사용하여 현재 손상 상태를 식별한 다음 손상 전파 특성을 추적하고 마지막으로 남은 수명 pr에 대해 개별화된 데이터 기반 전파 모델을 적용할 수 있다.교묘한 묘사 예를 들어, Khorasgani 등은 전해 캐패시터의 고장의 물리학을 모델링했다. 그리고 나서, 그들은 분해 모델의 동적 형태를 도출하고 콘덴서 상태의 현재 상태를 추정하기 위해 미립자 필터 접근법을 사용했다. 이 모델은 열응력 조건에 따라 캐패시터의 남은 내용연수(RL)를 보다 정확하게 추정하기 위해 사용된다.

모델 기반 접근방식과 데이터 기반 접근방식의 사후 추정 융합

추정 후 핵융합에 대한 동기는 종종 불확실성 관리의 고려사항이다. 즉, 추정 후 핵융합은 데이터 기반 또는 모델 기반 접근법의 불확실성 간격을 좁히는 데 도움이 된다. 동시에 정확도가 향상된다. 기본적인 개념은 복수의 정보 출처가 추정기의 성능 향상에 도움이 될 수 있다는 것이다. 이 원칙은 다중 분류기의 출력을 사용하여 어떤 분류자 자체보다 더 좋은 결과를 얻는 분류자 융합의 맥락 안에서 성공적으로 적용되었다. 예측의 맥락 안에서, 핵융합은 다양한 입력(예: 휴리스틱스, 사전 알려진 성능, 예측 지평선 또는 예측의 강건성)에 기초하여 개별 추정기에 할당되는 품질 평가를 채택함으로써 달성될 수 있다.

예측 성능 평가

성공적인 PHM 시스템 구축을 위해서는 예측 성능 평가가 매우 중요하다. 성능 평가와 벤치마크 데이터 세트를 위한 표준화된 방법이 일찍부터 부족했기 때문에 통계에서 빌린 기존의 성능 지표에 의존하게 되었다. 이러한 지표는 주로 오프라인 환경에서 선험적으로 알려진 수명 종료에 대비하여 성능을 평가하는 정확도와 정밀도였다. 보다 최근에는, 성숙된 예후 기술을 위한 노력이 성과 평가의 방법을 포함한 예후 방법의 표준화에 큰 초점을 맞추고 있다. 기존 메트릭스에서 누락된 주요 측면은 시간에 따라 성능을 추적할 수 있는 기능이다. 이것은 예측이 운영 체제에서 더 많은 관측 데이터를 사용할 수 있게 되면서 적절한 빈도로 예측이 업데이트되는 동적 프로세스이기 때문에 중요하다. 마찬가지로, 예측의 성능은 추적하고 정량화해야 하는 시간에 따라 변한다. PHM 컨텍스트에서 이 프로세스를 다르게 만드는 또 다른 측면은 RUL 예측의 시간 값이다. 시스템이 실패에 가까워질수록 수정 조치를 취할 수 있는 시간이 짧아지고 결과적으로 예측의 정확성이 의사결정에 더욱 중요해진다. 마지막으로, 공정, 측정 및 예측 모델에서의 무작위성과 잡음은 피할 수 없으며 따라서 예측은 추정치에 불확실성을 수반할 수밖에 없다. 강력한 예측 성능 평가에는 이러한 불확실성의 영향이 포함되어야 한다.

다음과 같은 문제를 고려하여 몇 가지 예후 연구 성과 지표가 진화했다.

  • 예측지평선(PH)은 알고리즘이 고장이 발생하기 전에 원하는 정확도로 미리 예측할 수 있는 양을 계량한다. 수정 조치에 더 많은 시간을 사용할 수 있기 때문에 더 긴 예측 지평이 선호된다.
  • α파 정확도는 수명이 다함에 따라 원하는 정확도의 축소된 원뿔을 사용하여 원하는 정확도 수준을 더욱 조인다. 원하는 α-³ 규격을 항상 준수하기 위해서는 알고리즘이 원뿔 안에 머무르는 시간에 따라 개선되어야 한다.
  • 상대적 정확도는 고장 전 실제 남은 시간에 대한 정확도를 계량한다.
  • 수렴은 수명이 다함에 따라 알고리즘의 성능이 얼마나 빠르게 수렴되는지 계량화한다.

이러한 측정 지표의 시각적 표현을 사용하여 오랜 시간 동안 예측 성능을 나타낼 수 있다.

예측불확도

예측 정확도에 영향을 미칠 수 있는 불확실성 매개변수가 많다. 이러한 항목은 다음과 같이 분류할 수 있다.[13]

  • 시스템 매개변수의 불확실성: 이는 시스템의 물리적 매개변수 값(저항, 인덕턴스, 강성, 캐패시턴스 등)의 불확실성에 관한 것이다. 이러한 불확실성은 시스템이 진화하는 환경 및 운영 조건에 의해 유도된다. 이것은 적절한 간격의 방법을 사용하여 해결할 수 있다.
  • 명목 시스템 모델의 불확실성: 이것은 시스템의 동작을 나타내기 위해 생성된 수학 모델의 부정확성과 관련이 있다. 이러한 부정확성(또는 불확실성)은 모델링 프로세스 중에 사용된 일련의 가정으로 인해 발생할 수 있으며, 이는 시스템의 실제 동작에 정확하게 맞지 않는 모델을 유도한다.
  • 시스템 성능 저하 모델의 불확실성: 성능 저하 모델은 구성 요소의 다른 데이터 샘플에 대해 수행되는 가속 수명 테스트를 통해 얻을 수 있다. 실제로 동일한 작동 조건에서 수행되는 가속 수명 시험을 통해 얻은 데이터는 서로 다른 열화 추세를 보일 수 있다. 그러면 이러한 성능저하 경향의 차이는 가속 수명 시험과 관련된 데이터에서 도출된 성능저하 모델의 불확실성으로 간주할 수 있다.
  • 예측의 불확실성: 불확실성은 모든 예측 프로세스에 내재되어 있다. 공칭 및/또는 성능 저하 모델 예측은 부정확하며, 모델 매개변수의 불확실성, 환경 조건 및 미래 임무 프로파일과 같은 몇 가지 불확실성에 의해 영향을 받는다. 예측 불확실성은 베이시안 및 온라인 추정 및 예측 도구(예: 입자 필터 및 칼만 필터 등)를 사용하여 해결할 수 있다.
  • 고장 임계값의 불확실성: 고장 임계값은 모든 고장 감지 및 예측 방법에서 중요하다. 그것은 시스템의 고장 시간과 결과적으로 남은 내용연수를 결정한다. 실제로 고장 임계값의 값은 일정하지 않고 시간에 따라 변경될 수 있다. 또한 시스템의 특성, 작동 조건 및 진화하는 환경에 따라 변화할 수 있다. 이러한 모든 매개변수는 고장 임계값의 정의에서 고려해야 할 불확실성을 유도한다.

불확실성 정량화의 예는 다음에서 찾을 수 있다.[14][15][16][17][18]

상용 하드웨어 및 소프트웨어 플랫폼

대부분의 PHM 산업용 애플리케이션에서, 상용 데이터 수집 하드웨어와 센서는 일반적으로 가장 실용적이고 보편적이다. 데이터 수집 하드웨어에 대한 상용 공급업체의 예로는 National Instruments와[19] Advantech Webaccess가 있다.[20] 그러나 특정 애플리케이션의 경우 필요에 따라 하드웨어를 사용자 정의하거나 강화시킬 수 있다. PHM 응용을 위한 공통 센서 유형에는 가속도계, 온도, 압력, 인코더 또는 회전 속도계를 사용한 회전 속도 측정, 전압과 전류의 전기적 측정, 음향 방출, 힘 측정을 위한 부하 셀, 변위 또는 위치 측정 등이 있다. 이러한 측정 유형에는 수많은 센서 벤더가 있으며, 일부는 상태 모니터링 및 PHM 애플리케이션에 더 적합한 특정 제품군을 가지고 있다.

데이터 분석 알고리즘과 패턴 인식 기술은 현재 일부 상용 소프트웨어 플랫폼 또는 패키지 소프트웨어 솔루션의 일부로 제공되고 있다. 내셔널 인스트루먼트는 현재 인텔리전트 유지 관리 시스템 센터가 개발한 데이터 기반 PHM 알고리즘 모음인 감시 에이전트 예측 툴킷의 시험 버전(향후 출시)을 보유하고 있다.[21] 20개 이상의 도구를 수집하면 필요에 따라 특정 애플리케이션에 대한 서명 추출, 이상 징후 탐지, 상태 평가, 고장 진단 및 장애 예측을 위한 알고리즘을 구성하고 사용자 정의할 수 있다. 감시 에이전트 툴킷을 이용한 맞춤형 예측 모니터링 상용 솔루션은 최근 신생 기업인 Prestantronics Corporation에[22] 의해 제공되고 있으며, 설립자들은 인텔리전트 유지관리 시스템 센터에서 이 PHM 기술의 개발과 적용에 중요한 역할을 하였다. 또 다른 예는 통계, 스펙트럼, 시계열 분석을 포함한 데이터 기반 및 모델 기반 기법을 사용하여 형상을 탐색, 추출 및 순위 매기기 위한 인터랙티브 앱과 기능을 제공하는 MATLAB와 그것의 예측 유지관리 툴박스다[23]. 또한 이 툴박스는 모터, 기어박스, 배터리 및 사용자 지정 예측 유지 보수 및 상태 모니터링 알고리즘 개발에 재사용할 수 있는 기타 기계에 대한 참조 사례도 포함하고 있다. 다른 상용 소프트웨어 제품들은 이상 징후 감지 및 고장 진단을 위한 몇 가지 도구에 초점을 맞추고 있으며, 일반적으로 툴킷 제품 대신 패키지 솔루션으로 제공된다. 예로는 신호에서 공칭 상관관계의 변화를 찾고 기대성과 실제 성능 사이의 잔차를 계산한 후 잔차 신호에 대한 가설 테스트를 수행하는 자동 연관 유형 모델(유사성 기반 모델링)에 기반한 스마트 신호 이상 탐지 분석 방법이 포함된다(순차 p).강탈 비율 시험).[24] Expert Microsystems에서도 유사한 유형의 분석 방법을 제공하고 있는데, Expert Microsystems는 잔차 계산에 유사한 자동 연관 커널 방법을 사용하며, 진단 및 예측을 위한 다른 모듈을 가지고 있다.[25]

시스템 수준 예후학

[26] 대부분의 예노스틱스 접근방식은 개별 구성요소의 성능 저하율과 남은 내용 수명(RL)의 정확한 계산에 초점을 맞추고 있지만, 서브시스템과 시스템의 성능이 저하되는 속도로서 이러한 시스템의 운용자와 유지보수 담당자에게 더 큰 관심이 있다.

참고 항목

메모들

  1. ^ Vachtsevanos; Lewis, Roemer; Hess, and Wu (2006). Intelligent fault Diagnosis and Prognosis for Engineering Systems. Wiley. ISBN 978-0-471-72999-0.
  2. ^ Pecht, Michael G. (2008). Prognostics and Health Management of Electronics. Wiley. ISBN 978-0-470-27802-4.
  3. ^ Liu, Jie; Wang, Golnaraghi (2009). "A multi-step predictor with a variable input pattern for system state forecasting". Mechanical Systems and Signal Processing. 23 (5): 1586–1599. Bibcode:2009MSSP...23.1586L. doi:10.1016/j.ymssp.2008.09.006.
  4. ^ Mosallam, A.; Medjaher, K; Zerhouni, N. (2014). "Data-driven prognostic method based on Bayesian approaches for direct remaining useful life prediction" (PDF). Journal of Intelligent Manufacturing. 27 (5): 1037–1048. doi:10.1007/s10845-014-0933-4. S2CID 1978502.
  5. ^ Mosallam, A.; Medjaher, K.; Zerhouni, N. (2015). Component based data-driven prognostics for complex systems: Methodology and applications (PDF). International Conference on Reliability Systems Engineering. pp. 1–7. doi:10.1109/ICRSE.2015.7366504. ISBN 978-1-4673-8557-2. S2CID 2931906.
  6. ^ Mosallam, A.; Medjaher, K; Zerhouni, N. (2013). "Nonparametric time series modelling for industrial prognostics and health management". The International Journal of Advanced Manufacturing Technology. 69 (5): 1685–1699. doi:10.1007/s00170-013-5065-z. S2CID 3182648.
  7. ^ Yu, Wei Kufi; Harris (2001). "A new stress-based fatigue life model for ball bearings". Tribology Transactions. 44 (1): 11–18. doi:10.1080/10402000108982420. S2CID 110685617.
  8. ^ Paris, P.C.; F. Erdogan (1963). "Closure to "Discussions of 'A Critical Analysis of Crack Propagation Laws'" (1963, ASME J. Basic Eng., 85, pp. 533–534)". Journal of Basic Engineering. 85 (4): 528–534. doi:10.1115/1.3656903.
  9. ^ Li, Y.; Kurfess, T.R.; Liang, S.Y. (2000). "Stochastic Prognostics for Rolling Element Bearings". Mechanical Systems and Signal Processing. 14 (5): 747–762. Bibcode:2000MSSP...14..747L. doi:10.1006/mssp.2000.1301. ISSN 0888-3270.
  10. ^ Pecht, Michael; Jaai (2010). "A prognostics and health management roadmap for information and electronics-rich systems". Microelectronics Reliability. 50 (3): 317–323. Bibcode:2010ESSFR...3.4.25P. doi:10.1016/j.microrel.2010.01.006.
  11. ^ Liu, Jie; Wang, Ma; Yang, Yang (2012). "A data-model-fusion prognostic framework for dynamic system state forecasting". Engineering Applications of Artificial Intelligence. 25 (4): 814–823. doi:10.1016/j.engappai.2012.02.015.
  12. ^ 연구 관문그물을 치다
  13. ^ "Prognostics and Health Management for Maintenance Practitioners - Review, Implementation and Tools Evaluation". PHM Society. 2017-12-11. Retrieved 2020-06-13.
  14. ^ Sankararaman, Shankar (2015). "Significance, interpretation, and quantification of uncertainty in prognostics and remaining useful life prediction". Mechanical Systems and Signal Processing. Elsevier BV. 52–53: 228–247. Bibcode:2015MSSP...52..228S. doi:10.1016/j.ymssp.2014.05.029. ISSN 0888-3270.
  15. ^ Sun, Jianzhong; Zuo, Hongfu; Wang, Wenbin; Pecht, Michael G. (2014). "Prognostics uncertainty reduction by fusing on-line monitoring data based on a state-space-based degradation model". Mechanical Systems and Signal Processing. Elsevier BV. 45 (2): 396–407. Bibcode:2014MSSP...45..396S. doi:10.1016/j.ymssp.2013.08.022. ISSN 0888-3270.
  16. ^ Duong, Pham L.T.; Raghavan, Nagarajan (2017). Uncertainty quantification in prognostics: A data driven polynomial chaos approach. IEEE. doi:10.1109/icphm.2017.7998318. ISBN 978-1-5090-5710-8.
  17. ^ Uncertainty processing in prognostics and health management: An overview. IEEE. 2012. doi:10.1109/phm.2012.6228860. ISBN 978-1-4577-1911-0.
  18. ^ Rocchetta, Roberto; Broggi, Matteo; Huchet, Quentin; Patelli, Edoardo (2018). "On-line Bayesian model updating for structural health monitoring". Mechanical Systems and Signal Processing. Elsevier BV. 103: 174–195. Bibcode:2018MSSP..103..174R. doi:10.1016/j.ymssp.2017.10.015. ISSN 0888-3270.
  19. ^ National Instruments. "Condition Monitoring".
  20. ^ Advantech. "Webaccess".
  21. ^ National Instruments. "Watchdog Agent® Toolkit".
  22. ^ Predictronics. "Predictronics".
  23. ^ "Predictive Maintenance Toolbox". www.mathworks.com. Retrieved 2019-07-11.
  24. ^ Wegerich,S. (2005). "Similarity-based Modeling of Vibration Features for Fault Detection and Identification". Sensor Review. 25 (2): 114–122. doi:10.1108/02602280510585691.
  25. ^ Clarkson, S.A.; Bickford,R.L. (2013). "Path Classification and Remaining Life Estimation for Systems Having Complex Modes of Failure". MFPT Conference.
  26. ^ Rodrigues, L. R.; Gomes, J. P. P.; Ferri, F. A. S.; Medeiros, I. P.; Galvão, R. K. H.; Júnior, C. L. Nascimento (December 2015). "Use of PHM Information and System Architecture for Optimized Aircraft Maintenance Planning". IEEE Systems Journal. 9 (4): 1197–1207. Bibcode:2015ISysJ...9.1197R. doi:10.1109/jsyst.2014.2343752. ISSN 1932-8184. S2CID 22285080.

참고 문헌 목록

전자 PHM

  • 링잉 특성화, A. Ginart, M. J. Roemer, P. W. Kalgren, K를 통해 파워 드라이브에서 IGBT의 노후화 효과 모델링. 괴벨, 2008년 프로그노스틱스 및 건강 관리에 관한 국제 컨퍼런스에서 1-7페이지.
  • RF 임피던스 모니터링 및 순차 확률비 테스트, D. Kwon, M. H. Azarian 및 M을 사용한 상호연결 성능 저하의 예후 연구 Pecht, International Journal of Performability Engineering, vol. 6, 4, 페이지 351–360, 2010.
  • 열-기계 부하, P. Lall, C에서 공기 중 납이 없는 전자 장치의 잠재적 손상 평가 및 잔류 수명 예측 Bhat, M. Hande, V. More, R. Baidya, J. Suling, R. Pandher, K. Goebel, 2008년 Prognostics and Health Management에 관한 국제 회의의 진행 중.
  • 폴리머 리셋테이블 퓨즈의 고장 전구체, S. 청, K. 톰, 그리고 M. Pecht, IEEE Transactions on Device and Materials Relidity, Vol.10, 발행.3, 페이지 374–380, 2010.
  • 전기, 하이브리드 전기 및 연료전지 차량, Y. Xiong 및 X의 전력 전자 모듈에 대한 예측 및 경고 시스템 청, IEEE 산업전자거래, 2008년 6월 제55권.
  • Cheng, Shunfeng; Azarian, Michael H.; Pecht, Michael G. (2010). "Sensor Systems for Prognostics and Health Management". Sensors. 10 (6): 5774–5797. Bibcode:2010Senso..10.5774C. doi:10.3390/s100605774. PMC 3247731. PMID 22219686.
  • Cheng, S.; Tom, K.; Thomas, L.; Pecht, M. (2010). "A Wireless Sensor System for Prognostics and Health Management". IEEE Sensors Journal. 10 (4): 856–862. Bibcode:2010ISenJ..10..856C. doi:10.1109/jsen.2009.2035817. S2CID 1291242.
  • Jaai, Rubyca; Pecht, Michael (2010). "A prognostics and health management roadmap for information and electronics-rich systems". Microelectronics Reliability. 50 (3): 317–323. Bibcode:2010ESSFR...3.4.25P. doi:10.1016/j.microrel.2010.01.006.
  • 물리학 기반 전자 제품, Michael Pecht와 Jegu, 측정 및 제어 연구소의 거래 31, 3/4(2009), 페이지 309–322.
  • Sachin Kumar, Vasilis Sotiris 및 Michael Pecht, Mahalanobis Distance and Project Analysis, International Journal of Computer, Information and Systems Science and Engineering, vol.2 제4권, 페이지 24250.
  • 게스트 편집: 전자 시스템 예후 및 건강 관리에 관한 특별 섹션 소개, P. Sandborn 및 M. Pecht, Microelectronics 신뢰성, 제47권, 제12권, 페이지 1847–1848, 2007년 12월.
  • Sandborn, P. A.; Wilkinson, C. (2007). "A Maintenance Planning and Business Case Development Model for the Application of Prognostics and Health Management (PHM) to Electronic Systems". Microelectronics Reliability. 47 (12): 1889–1901. doi:10.1016/j.microrel.2007.02.016.
  • Gu, J.; Barker, D.; Pecht, M. (2007). "Prognostics Implementation of Electronics under Vibration Loading". Microelectronics Reliability. 47 (12): 1849–1856. doi:10.1016/j.microrel.2007.02.015.
  • S. Mathew, D. 인쇄회로기판의 알루미늄 지지구조 예측평가 다스, M. 오스터만, M. 페히트, R. Ferebee ASME Journal of Electronic Packaging, Vol. 128, 이슈 4, 페이지 339–345, 2006년 12월.
  • 전자제품 S. Mathew, P. Rodgers, V. Eveloy, N. Vichare, M.의 잔존수명을 평가하는 방법론 Pecht, International Journal of Performability Engineering, 제2권 제4호, 페이지 383–395, 2006년 10월.
  • 전자, N. Vichare 및 M의 예후 및 건강 관리. Pecht, IEEE 부품 및 포장 기술에 관한 거래, 2006년 3월 29권 1호.

외부 링크