Hoppa till huvudinnehåll
RISE logo
Prediktivt underhåll

On-the-Fly Remaining Useful Life Prediction for Electronic Devices

Prognostics and Health Management (PHM) spelar en avgörande roll i Industry 4.0-revolutionen genom att tillhandahålla smarta förutsägande underhållslösningar.

Tidig feldetektering och förutsägelse av återstående livslängd (RUL) för kritiska industriella maskiner/komponenter är de största utmaningarna som PHM-metoder tar upp. Idag har de flesta enheter och system inbyggda elektroniska komponenter för övervakning, kontroll och förbättrad funktionalitet. Därför är det viktigt att övervaka dessa elektroniska enheter/system för att undvika katastrofala händelser och hantera driftskostnader. De prognostiska metoder som vanligtvis används förlitar sig på en noggrann matematisk modell (modellbaserade metoder) baserad på den underliggande physics-of-failure-mekanismen eller historiska data från run-to-failure (datadrivna metoder). I många fall understryker bristen på exakta fysikbaserade modeller behovet av att tillgripa maskininlärningsbaserade prognosalgoritmer. Datadrivna metoder kräver dock omfattande maskinfelsdata som inkluderar alla möjliga driftsförhållanden och alla möjliga fellägen som hänför sig till den specifika maskinen/komponenten, vilka sällan är tillgängliga i sin helhet.

Med framväxande teknologier och framsteg inom tillverkningsprocesser utvecklas nya enheter/komponenter såsom lysdioder för att tillgodose dessa framväxande behov. De betydande utmaningarna som hämmar tillförlitlighetsstudier på sådana nyutvecklade enheter/system är bristen på tillräckliga feldata och avsaknaden av fullfjädrade physics-of-failure-modeller. För att komma till rätta med generaliseringsproblemet har hybridmetoder som kombinerar modellbaserade och datadrivna metoder använts i stor utsträckning på senare tid. Hybridprognostiska tillvägagångssätt har ett försprång på sådana nya enheter eftersom de varken kräver en noggrann nedbrytningsmodell eller en stor mängd träningsdata för uppskattning av återstående livslängd (RUL). Med andra ord, de använder sig på bästa sätt av delkunskap och sparsam data tillgänglig för den nya enheten/komponenten under prognostisk utredning.

Detta seminarium kommer att fokusera på användningen av en sådan adaptiv hybridmetod där vi kombinerar en bayesiansk slutledningsbaserad tillståndsuppskattningsmetod för att varmstarta en neural nätverksmodell. Den utvecklade hybridprognostiska metoden testas på lysdioder (LED) och Li-ion-batterier (LiB). RUL-förutsägelseresultaten är korrekta och robusta och kan därför utgöra grunden för tillståndsbaserat underhåll och prestandabaserad utvärdering av komplexa system.
 

AI for Predictive Maintenance seminar series
26 sep 2022
15:00-16:00
Digitalt via Teams

Kostnadsfritt

250
Digitalt,
Webbsändning
Talare
Webbsändning
Talare
Asst. Prof. Nagarajan Raghavan

Asst. Prof. Nagarajan Raghavan

Singapore University of Technology and Design

Nagarajan Raghavan är assisterande professor vid Singapore University of Technology and Design (SUTD) och leder där nano-Macro Reliability Lab (nMRL) som består av 8 doktorander och 5 forskare. Tidigare var Nagarajan postdoktor vid Massachusetts Institute of Technology (MIT) i Cambridge och vid IMEC i Belgien, i samarbete med Katholieke Universiteit Leuven (KUL).

Kontaktperson

Madhav Mishra

Senior Scientist

Läs mer om Madhav

Kontakta Madhav
CAPTCHA This question is for testing whether or not you are a human visitor and to prevent automated spam submissions.

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.