Resumen

Los últimos avances en la gestión del pronóstico y la salud se han dirigido a utilizar las señales de degradación observadas para estimar las distribuciones de vida residual. Los modelos de degradación actuales se centran principalmente en una población de dispositivos "idénticos" o en un dispositivo individual con información de la población, no en un único componente en ausencia de conocimiento previo de la degradación. Sin embargo, el rápido desarrollo de la ciencia y la tecnología nos proporciona muchos tipos de sistemas nuevos, y apenas disponemos de información de monitorización en tiempo real para analizar la fiabilidad de los mismos. El algoritmo de fusión que aquí se presenta aborda este reto combinando la excelente capacidad de modelado del método de actualización bayesiano para los datos multinivel y la destacada capacidad de estimación del algoritmo ECM para los datos incompletos. Las distribuciones de vida residual y las distribuciones posteriores se calculan primero mediante el método de actualización bayesiano a partir de distribuciones a priori iniciales aleatorias. A continuación, el algoritmo ECM revisa y mejora las distribuciones a priori para predicciones futuras. Una vez observada una nueva señal, podemos reutilizar el algoritmo de fusión para mejorar la precisión de las distribuciones de vida residual. La aplicabilidad de este algoritmo de fusión se valida mediante un conjunto de experimentos de simulación.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:distribuciones de vida residual, algoritmo de fusión, algoritmo ecm, distribuciones a priori, método bayesiano de actualización, modelos actuales de degradación, distribuciones de vida residual, excelente capacidad de modelado, conocimiento previo de la degradación, destacada capacidad de estimación
• Keywords:residual life distributions, fusion algorithm, ecm algorithm, priori distributions, bayesian updating method, current degradation models, residual life distributions, excellent modeling ability, prior degradation knowledge, prominent estimation ability