New data-driven methodologies for fault prognostics using evolving fuzzy models

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.