Forecasting of the remaining useful life in conditions of small data sample

Cover Page

Cite item

Full Text

Abstract

In the article a method for forecasting the residual life of equipment using deep learning is proposed. The method is applicable in cases with a small amount of information about data failures, where existing classical methods may not provide the required accuracy. The process of maintaining the equipment in working condition is one of the most important processes in the operation of the equipment. At the same time, the maintenance process often suffers from inefficiency. Therefore, forecasting methods were developed, on the basis of which the concept of proactive maintenance process management was built, which allows optimizing the structure and costs of equipment management throughout the life cycle. However, these methods may show insufficient accuracy if there is not enough data to train them, for example, due to the rarity of equipment failures. To solve this problem, a new prediction method based on deep learning is proposed that can improve the prediction accuracy. In this method, the continuous prediction of the remaining service life over the entire interval is replaced by a model for generating signals containing the calculated prediction.

About the authors

Konstantin Sergeevich Zadiran

Volgograd state technical university

Author for correspondence.
Email: konstantin.zadiran@gmail.com
Volgograd

Maxim Vladimirovich Shcherbakov

Volgograd state technical university

Email: maxim.shcherbakov@vstu.ru
Volgograd

Cuong Kvong Sai

Volgograd state technical university

Email: svcuonghvktqs@gmail.com
Volgograd

References

  1. Гунина И. А., Шкарупета Е. В., Решетов В. В. Прорывное технологическое развитие промышленных комплексов в условиях цифровой трансформации // Инновационные кластеры цифровой экономики: теория и практика. – 2018. – С. 535–554.
  2. Куприяновский В. П., Намёт Д. Е., Дрожжинов В. И., Куприяновская Ю. В., Иванов М. О. Интернет вещей на промышленных предприятиях // International Journal of Open Information Technologies. – 2016. – №12. – С. 156–161.
  3. Лысенко С. В., Тен Э. В. Об оценке остаточного ресурса башенных кранов // Проблемы современной науки и образования. – 2016. – №1. – С. 98–102.
  4. Сай Ван Квонг, Щербаков М. В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. – 2019. – №1(45). – С. 33–44.
  5. Шилова Е. В., Дьяков А. Р. О феномене четвёртой промышленной революции и его влиянии на экономику и управление // Вестник Прикамского социального института. – 2018. – №3(81). – С. 86–95.
  6. A Grammar Of Data Manipulation – Dplur. – URL: https://dplyr.tidyverse.org (дата обращения: 03.04.2022).
  7. Cernuda C. On the relevance of preprocessing in predictive maintenance for dynamic systems // В кн.: Lughofer E., Sayed-Mouchaweh M. (Eds.). Predictive Maintenance in Dynamic Systems. – Cham: Springer, 2019. – P. 53–93.
  8. Cheng J. C., Chen W., Chen K., Wang Q. Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms // Automation in Construction. – 2020. – Vol. 112. – P. 1–21.
  9. Che-Sheng H., Jehn-Ruey J. Remaining useful life estimation using long short-term memory deep learning // Proc. IEEE Int. Conf. on Applied System Invention (ICASI). – 2018. – P. 58–61.
  10. CRAN – Packages. – URL: https://cran.r-project.org/web/packages/ (дата обращения: 03.04.2022).
  11. Forecast Package – RDocumentation. – URL: https://www.rdocumentation.org/packages/forecast (дата обращения: 03.04.2022).
  12. Goebel K., Saha B., Saxena A., Celaya J. R., Christophersen J. P. Prognostics in battery health management // IEEE Instrumentation & Measurement Magazine. – 2008. – Vol. 8. – P. 33–40.
  13. Huang Z. Y., Xu Z. G., Wang W. H., Sun Y. X. Remaining useful life prediction for a nonlinear heterogeneous Wiener process model with an adaptive drift // IEEE Trans. on Reliability. – 2015. – Vol. 64, No. 2. – P. 687–700.
  14. Identify and replace outliers in time series. – URL: https://pkg.robjhyndman.com/forecast/reference/tsoutliers.html (дата обращения: 03.04.2022).
  15. Lei Y., Li N., Gontarz S., Lin J., Radkowski S., Dybala J. A model-based method for remaining useful life prediction of machinery // IEEE Trans. on Reliability. – 2017. – Vol. 65. – P. 1314–1326.
  16. Li X., Ding Q., Sun J. Remaining useful life estimation in prognostics using deep convolution neural networks // Reliability Engineering & System Safety. – 2018. – Vol. 172. – P. 1–11.
  17. Liu J., Wang W., Ma F., Yang Y. B., Yang C. S. A data-model-fusion prognostic framework for dynamic system state forecasting // Engineering Applications of Artificial Intelligence. – 2012. – Vol. 25, No. 4. – P. 814–823.
  18. Patil S., Patil A., Handikherkar V., Desai S., Phalle V. M., Kazi F. S. Remaining useful life (RUL) prediction of rolling element bearing using random forest and gradient boosting technique // ASME Int. Mech. Eng. Congress and Exposition. – 2018. – P. 1–7.
  19. Ran Y., Zhou X., Lin P., Wen Y., Deng R. A survey of predictive maintenance: systems, purposes and approaches // IEEE Communications Surveys & Tutorials. – 2019. – P. 1–36.
  20. Shcherbakov M. V. A survey of forecast error measures // World Applied Sciences Journal. – 2013. – No. 24. – P. 171–176.
  21. Xiongzi C., Jinsong Y., Diyin T., Yingxun W. Remaining useful life prognostic estimation for aircraft subsystems or components: A review // Proc. 10th IEEE Int. Conf. on Electronic Measurement & Instruments (ICEMI). – 2011. – Vol. 2. – P. 94.
  22. Yan M., Wang X., Wang B., Chang M., Muhammad I. Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model // ISA Transactions. – 2020. – Vol. 98. – P. 471–482.
  23. Yu J. Remaining useful life prediction for lithium-ion batteries using a quantum particle swarm optimization-based particle filter // Quality Engineering. – 2017. – Vol. 29. – P. 536–546.
  24. Zhang Z., Si X., Hu C., Ley Y. Degradation data analysis and remaining useful life estimation: A review on Wiener-process-based methods // European Journal of Operational Research. – 2018. – Vol. 271, No. 3. – P. 775–796.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».