HYBRID MODELLING FOR FAILURE DIAGNOSIS AND PROGNOSIS IN THE TRANSPORT SECTOR. ACQUIRED DATA AND SYNTHETIC DATA. Rev. 2 del 9/ene/2012
M Mishra, U Leturiondo-Zubizarreta, O Salgado-Picón, D Galar-Pascual
INDUSTRIAL TECHNOLOGY Maintenance
HYBRID MODELLING FOR FAILURE DIAGNOSIS AND PROGNOSIS IN THE TRANSPORT SECTOR. ACQUIRED DATA AND SYNTHETIC DATA Madhav Mishra* , UrkoLeturiondo-Zubizarreta*,** Óscar Salgado-Picón** & Diego Galar-Pascual* * LULEÅ UNIVERSITY OF TECHNOLOGY. Division of Operation and Maintenance Engineering. 971 87 Luleå (Sweden). Tel: +46 920 491399.
[email protected];
[email protected] ** IK4-IKERLAN. Mechanical Engineering. J. M. Arizmendiarrieta 2 - 20500 Arrasate-Mondragón, Gipuzkoa (Spain). Tel: +34 943 712400.
[email protected];
[email protected] Received: 22/jul/2014 -- Accepted: 6/oct/2014 - DOI: http://dx.doi.org/10.6036/7252
MODELIZACIÓN HÍBRIDA PARA EL DIAGNÓSTICO Y PRONÓSTICO DE FALLOS EN EL SECTOR DEL TRANSPORTE. DATOS ADQUIRIDOS Y DATOS SINTÉTICOS. ABSTRACT:
RESUMEN:
Safety in transport is a key issue. Railway and aerospace sectors have a need for ways to predict the behaviour of trains and aircraft respectively. With this information, maintenance tasks for the correct operation of the assets can be carried out for reducing the number of failures that can cause an accident. However, the lack of enough data of the faulty state of those systems makes this to be difficult. Because of that either hidden faults or unknown faults can occur. As regulations in transport are very restrictive, components are usually substituted in early states of their degradation which implies a loss of useful life of those components.
La seguridad en el campo del transporte es un punto crítico. Así, el sector ferroviario y el de la aeronáutica precisan de formas para predecir el comportamiento de trenes y aeronaves, respectivamente. Con esta información se pueden llevar a cabo las gestiones de mantenimiento necesarias para el correcto funcionamiento de los activos y reducir el número de fallos que puedan causar un accidente. Sin embargo, la falta de datos suficientes sobre estados con fallo de dichos sistemas hace que esta tarea sea complicada. Esta carencia de información hace que se puedan producir fallos ocultos o fallos desconocidos. Al tratarse la normativa del sector del transporte muy restrictiva en este aspecto, se tiende a reemplazar los componentes en estados tempranos de su degradación, lo que supone un desaprovechamiento de la vida de dichos componentes.
In this article, a methodology to overcome this limitation is presented. This methodology consists in the fusion of data obtained from two sources: data acquired from the real system and synthetic data generated using physical models of the system. These physical models should be constructed in such a way that they can reproduce the main failure modes that can occur in the modelled system. This data fusion that creates a hybrid model not only allows to classify the condition of the system according to the aforementioned failure modes but also to define new data that do not belong to any of those failure modes as a new failure mode, improving diagnosis and prognosis processes. Keywords: maintenance, condition monitoring, detection, prognosis, transport, railway, safety, hybrid modelling, fault modelling, synthetic data
En el presente artículo se propone una metodología para abordar esa limitación. Dicha metodología consiste en la fusión de datos de dos fuentes: por un lado, los datos adquiridos del sistema real; y, por otro lado, datos sintéticos generados a través de modelos físicos. Dichos modelos físicos han de estar construidos de forma que sean capaces de reproducir los principales modos de fallo que pueden ocurrir en dichos sistemas. Esta fusión de datos, que forma un modelo híbrido, permite no sólo clasificar el estado del sistema según los modos de fallo previamente estipulados, sino también definir nuevos modos de fallo que no concuerden con ninguno de los modos de fallo anteriores, mejorando los procesos de diagnosis y prognosis.
Palabras clave: mantenimiento, monitorización de la condición, detección, prognosis, transporte, ferroviario, seguridad, modelización híbrida, modelización de fallo, datos sintéticos
1.- INTRODUCTION Condition based maintenance (CBM) is a kind of maintenance which has increased exponentially in the last years, specially for its capability to predict future failure, improving the reliability and safety of the monitored asset. CBM consists in two main processes: diagnosis and prognosis [1],[2]. Diagnosis implies the detection of failures that are produced by the appearance of their corresponding failure modes and once they have been detected their identification and vigilance to carry out an analysis of the health of the system. For its part, prognosis implies to carry out a Pag. 1 / 9 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.revistadyna.com - email:
[email protected]
Pag. 9 / 9 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.revistadyna.com - email:
[email protected] 