Zur Seitenansicht
 

Titelaufnahme

Titel
Development and performance evaluation of prognostic approaches for technical systems / von M.Sc. James Kuria Kimotho aus Nairobi, Kenia. Referent: Prof. Dr.-Ing. habil. Walter Sextro, Korreferant: Prof. Dr.-Ing. Detmar Zimmer
AutorKimotho, James Kuria
BeteiligteSextro, Walter In der Gemeinsamen Normdatei der DNB nachschlagen ; Zimmer, Detmar In der Gemeinsamen Normdatei der DNB nachschlagen
ErschienenPaderborn, 2016
Ausgabe
Elektronische Ressource
Umfang1 Online-Ressource (xiv, 133 Seiten) : Diagramme
HochschulschriftFakultät für Maschinenbau der Universität Paderborn, Univ., Dissertation, 2016
Anmerkung
Tag der Verteidigung: 10.11.2016
Verteidigung2016-11-10
SpracheEnglisch
DokumenttypDissertation
URNurn:nbn:de:hbz:466:2-27129 Persistent Identifier (URN)
Dateien
Development and performance evaluation of prognostic approaches for technical systems [4.05 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Angesichts des steigenden Bedarfs zur Erhöhung der Zuverlässigkeit, Verfügbarkeit und Sicherheit technischer Systeme, wird eine große Anzahl von proaktiven Wartungsstrategien vorgeschlagen. Von größtem Interesse ist die Entwicklung von Strategien basierend auf Diagnose- und Prognosemethoden, bei denen die Wartung auf Basis des aktuellen und des vorhergesagten zukünftigen Zustands eines technischen Systems geplant wird. Darüber hinaus können Prognoseinformationen verwendet werden, um die Zuverlässigkeit von intelligenten mechatronischen Systemen zu steuern, um einen erfolgreichen Betrieb zu gewährleisten. Daher werden Methoden für eine zuverlässigeund präzise Schätzung des aktuellen und zukünftigen Zustands des Systems benötigt. Mit dem Fortschritt in der Sensortechnik sind die Mehrheit der heutigen technischen Systeme mit einem Netzwerk von Sensoren für Zustands- oder Leistungsüberwachung ausgestattet. Dies führt zu einer gesteigerten Anwendung von maschinellen Lernverfahren in der Zustandsüberwachung und-prognose. In Abhängigkeit von den verfügbaren Sensordaten, können verschiedene Ansätze von maschinellen Lernverfahren für die Verwendung der Daten, angewendet werden. Allerdings fehlt ein Leitfaden zur Auswahl eines geeigneten Ansatzes für ein gegebenes System oder es ist noch nicht umfangreich untersucht worden. Daher stellt diese Arbeit einen Leitfaden für die Auswahl geeigneter Ansätze und maschineller Lernverfahren für ein gegebenes System, abhängig von den verfügbaren Zustandsüberwachungsdaten, bereit. Es werden fünf ausgewählte Prognoseansätze in Abhängigkeit von den verfügbaren Zustandsüberwachungsdaten und der Anwendung von maschinellen Lernverfahren innerhalb dieser Ansätze dargestellt.

Zusammenfassung (Englisch)

As the need to improve reliability, availability and safety of technical systems increases, a large number of proactive maintenance strategies have been proposed. Of greater interest is the development of prognostic and health management strategies where maintenance is scheduled based on the current and the predicted future health state of a technical system. In addition, prognostic information can be used to control the reliability of intelligent mechatronic systems to ensure their mission objective is achieved. Therefore methodologies for estimating these current and future health states reliably and accurately are imperative. With the advancement in sensor technology, majority of the present day technical systems are installed with a network of sensors for condition or performance monitoring. This has led to the increased application of machine learning algorithms in condition monitoring. Depending on the sensor data available, different approaches for utilizing the data with machine learning algorithms can be applied. However, aguide for selecting the appropriate approach for a given system is either lacking or has not been explored extensively. Therefore, this work aims at providing a guide for selecting suitable approaches and machine learning algorithms for a given system depending on the available sensor data.Five approaches for prognostics and an ensemble of the best performing approaches are presented. Since the performance of machine learning algorithms is highly dependent on the input features, methods for feature extraction and selection are also presented. The approaches are evaluated and validated with run-to-failure condition monitoring data of actual systems. This information could serve as a guide for selecting the appropriate method for a given kind of system depending on the available condition monitoring data.