Progonozowanie w wielosymptomowej diagnostyce maszyn

Z uwagi na niezawodność procesu, bezpieczeństwo obsługi, koszty usuwania niespodziewanych awarii maszyny krytyczne powinny być eksploatowane zgodnie ze strategią uwarunkowaną stanem technicznym. Określanie tegoż stanu w danej chwili należy do zadań eksploatacyjnej diagnostyki technicznej. Warunkiem podejmowania racjonalnych decyzji eksploatacyjnych jest przewidywanie stanu technicznego obiektu w przyszłości. W rozprawie podjęto próbę usystematyzowania zagadnienia prognozy w diagnostyce eksploatacyjnej maszyn opartej na procesach resztkowych towarzyszących normalnej pracy maszyny. Zaproponowano wydzielenie problemu prognozy wartości symptomu, opartej na zasadzie ekstrapolacji poza przedział obserwacji. Wspomniana prognoza symptomu może stanowić narzędzie prognozowania stanu obiektu i czasu resztkowego do wystąpienia awarii, istotnych dla podejmowania właściwych decyzji eksploatacyjnych. Dodatkowo omówiono problemy bezpośredniej prognozy czasu resztkowego do wystąpienia awarii. Zaproponowano kilka mniej znanych metod prognozowania wartości symptomów diagnostycznych, takich jak: sieci GRNN oparte na przyrostach wartości symptomów, sieci Elmana, rozmyte sieci neuronowe z różnymi propozycjami konkluzji, sieci o różnych funkcjach przejścia w poszczególnych neuronach zastosowane do modelowania szeregu kumulacyjnego pierwotnych obserwacji, teoria szarych systemów czy nieliniowe modele trendu z możliwością użycia różnych funkcji strat uwzględniających charakter symptomów diagnostycznych.

Poruszono również problem wypracowania ostatecznej prognozy wartości czasu resztkowego do wystąpienia awarii oraz stanu obiektu na podstawie wielu obserwowanych symptomów (diagnostyka wielosymptomowa). W tym zakresie zaproponowano kilka metod i wskazano ich wady i zalety.

Duża część rozprawy jest poświęcona przeciwdziałaniu dezaktualizacji modelu prognostycznego w automatycznych systemach diagnostycznych, które muszą funkcjonować bez udziału eksperta. Zaproponowano trzy rozwiązania oparte na: rozpoznaniu rodzaju trendu za pomocą systemu uczącego się, szacowaniu szerokości przedziału prognozy oraz szacowaniu miar błędów ex post. Zaproponowano także pewne techniki pozwalające uzyskać dobre wyniki dla analizowanych krzywych życia młynów wentylatorowych. Adekwatny model prognostyczny wybierano spośród wcześniej wspominanych metod prognozowania. Zaproponowane metody pozwoliły osiągnąć średni błąd prognozy dla zbioru rozpatrywanych krzywych życia młynów wentylatorowych na poziomie 5%. W warunkach przemysłowych utrzymanie średniej prognozy na tym poziomie jest znaczącym osiągnięciem.