Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/34657
Type: Tese
Title: New data-driven methodologies for fault prognostics using evolving fuzzy models
Authors: Murilo Cesar Osorio Camargos Filho
First Advisor: Reinaldo Martinez Palhares
First Referee: Fernando Antônio Campos Gomide
Second Referee: Celso José Munaro
Third Referee: Marcos Flávio Silveira Vasconcelos D’Angelo
metadata.dc.contributor.referee4: Walmir Matos Caminhas
metadata.dc.contributor.referee5: Bruno Otávio Soares Teixeira
Abstract: This thesis addresses new data-driven evolving techniques to the problem of fault prognostics. In such problems, accurate predictions of multiple steps ahead are essential for the Remaining Useful Life (RUL) computation of a given asset. The fault prognostics' solutions must be able to model the typically nonlinear behavior of the degradation processes of these assets and be adaptable to each unit's particularities. In this context, the evolving fuzzy systems are models capable of representing such behaviors, in addition to being able to deal with time varying behavior, also present in these problems. In this work, we proposed a new modeling technique for evolving fuzzy systems that use multivariate Gaussian membership functions, making it able to incorporate the complex relationships between the variables of interest, and a recursive learning mechanism built upon a data stream, although historical data can be used as a starting point. In the proposed mechanism, the knowledge is managed through the monitoring of dynamic estimation error thresholds. Moreover, a methodology is proposed to use such techniques in fault prognostics problems, taking into account the model uncertainty propagation in long-term predictions. Three well-established data sets are used to evaluate the proposed model in problems of time-series prediction and fault prognostics. The experiments indicate that the proposed model is competitive in terms of precision and number of free parameters compared to other evolving fuzzy systems and can take advantage of both historical and stream data to estimate the RUL and its uncertainty. Furthermore, in most test scenarios, it may outperform other methods that do not manage new data incorporation or whose knowledge base management is not based on the estimation errors.
Abstract: Nesta tese são abordadas novas técnicas evolutivas baseadas em dados para o problema de prognóstico de falhas. Nesse tipo de problema, previsões acuradas de múltiplos passos à frente são essenciais para a determinação da vida útil remanescente (RUL, do inglês remaining useful life) de um determinado ativo. As soluções para prognóstico de falhas devem ser capazes de representar o comportamento tipicamente não-linear dos processos de degradação desses ativos e ser adaptável às particularidades de cada unidade. Nesse contexto, os sistemas nebulosos evolutivos são modelos capazes de representar tais comportamentos, além de serem capazes de lidar com o comportamento variante no tempo, também presente nesses problemas. Neste trabalho, propomos uma nova técnica de modelagem para sistemas nebulosos evolutivos que utiliza funções de pertinência Gaussianas multivariadas, tornando-a capaz de incorporar as complexas relações entre as variáveis de interesse, e um mecanismo de aprendizagem recursivo construído a partir de um fluxo de dados, ainda que dados históricos possam ser usados como ponto de partida. No mecanismo proposto, o conhecimento é gerido pelo monitoramento de limiares dinâmicos do erro de estimação. Além disso, é proposta uma metodologia para uso de tais técnicas em problemas de prognóstico de falhas, levando em consideração a propagação das incertezas do modelo em previsões de longo prazo. Três bases de dados bem estabelecidas são utilizadas para avaliar o modelo proposto em problemas de previsão de séries temporais e de prognóstico de falhas. Os experimentos indicam que o modelo proposto é competitivo em termos de precisão e número de parâmetros livres comparado a outros sistemas nebulosos evolutivos e pode se beneficiar da utilização tanto de dados históricos quanto de um fluxo de dados para estimar a RUL e sua incerteza. Além disso, na maioria dos cenários de teste, o modelo pode obter melhores desempenhos em relação às técnicas que não incorporam novos dados ou cuja base de conhecimento não é gerida com base nos erros de estimação.
Subject: Engenharia elétrica
Falha de sistema (Engenharia)
Sistemas difusos
Sistemas não lineares
language: eng
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
metadata.dc.publisher.department: ENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICA
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/34657
Issue Date: 15-Dec-2020
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
New Data-driven Methodologies for Fault Prognostics Using Evolving Fuzzy Models.pdf3.21 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.