Prognostics Methods Based on Grey Model, Survival Probability and Permutation Entropy

Abstract

현재 제조산업은 지속적으로 유지보수비용, 운영 다운타임 및 안전위험을 줄일것으로 매우 기대되고 있다. 이러한 상태기준보수(condition-based maintenance)와 같은 더 효율적인 유지관리전략이 상황을 처리하기위해 시행되고있다. 상태기준유지보수의 중요한요소는 기계의 미래상태를 예측하고 잔존수명(remaining useful life (RUL))를 평가하는 것이다. 최종실패가 발생하기전에 기계와부품은 일련의 열화상태를 통과한다. 기계열화거동이 시간에 맞춰 발견 할 수있다면, 실패는 예방할수있다. 기계열화의 임박한상태를 예측하고 예지기술시스템에서 적절한결정을 하기위해 다양한방법과 인공신경망 (artificial neural network), 로지스틱회귀 (logistic regression), 적합성벡터기계 (relevance vector machine), 등의 지능시스템기반으로 개발되었다. 그러나 기계열화예지기술을위한 그레이모델의 사용은드문편이다. 이 연구는 기계및배터리열화의 두가지 예지기술방법을 제시한다. 첫번째는 그레이 모델 및 기계열화예지기술의 잔존확률을 기반으로하는새로운방법이며, 두번째는 배터리열화예지기술을위한 그레이모델과 순열엔트로피(permutation entropy)를 기반으로 하는 새로운방법이다. 첫 번째방법을 평가하기위해 상태감시 (condition monitoring) 루틴으로부터 얻은 낮은메탄압축기의 실제추세데이터(real trending data)를 활용되었다. 한편, 두 번째 방법을 확인하기위해서 NASA 에임스예지기술연구센터의 데이터저장소에서 얻은 배터리 데이터가 채용되었다. 첫 번째 제안된방법은 세단계로 구성 되어있다. 이 방법의 첫번째단계는 정상상태모델을 구축한 다음에 오류표시기를 결정한다. 두번째 단계에서 잔존확률값(survival probability value)은 오류표시기를 기반으로 얻어진다. 마지막으로, 단단계 예측기법(one-step-ahead forecasting technique)과 결합된 그레이 모델은 미래상태를 예측하고 잔존수명(RUL)를 평가하기위해 마지막단계에서 채용되었다. 결과에따르면, 제안된방법의 성능은 매우 만족입니다. 모델은 기계열화의 급격한감소를 예상 할 수있다. 더욱이 작은오류와 밀접한 상관관계가있는 모델은 기계의최종실패를 예측 할 수있다. 두번째 제안된방법은 세가지 연속절차로 구성되어있다. 처음으로 배터리모니터링측정에서 얻은 데이터는 배터리용량과 순열엔트로피를결정으로 고용됩니다. 방전전압데이터(discharge voltage data)가 순열 엔트로피를 생성하는데 사용된다. 다음으로, 초기실패는 순열엔트로피의 행동을 기반으로 감지되었을때 그레이 예측모델은 건설 되어야한다. 마지막으로, 배터리 용량의 미래상태는 단단계 예측기법(one-step-ahead forecasting technique)과 결합된 그레이 모델을 사용하여 예측되며 또한 배터리의 잔여수명주기(remaining cycle life)를 평가 할 수있다. 결과에 따르면 이 방법의 성능은 매우 만족이다. 그것은 배터리의 초기열화를 감지하고 물론미래의 상태를 예측 할 수있을 뿐만아니라 배터리의 열화주기를 예측 할 수있다.

Nowadays, manufacturing industries are highly expected to continuously reduce maintenance costs, operation downtime, and safety hazards. More efficient maintenance strategies such as condition-based maintenance (CBM) are being implemented to handle the situation. The important factors in condition-based maintenance are predicting the future condition and assessing the remaining useful life (RUL) of a machine. Machines and components go through a series of degradation states before final failure occurs. If the machine degradation behavior can be detected in time, the failure can be prevented. In order to predict the impending state of machine degradation and make the appropriate decision in prognostics system, numerous methods have been developed based on intelligent systems such as artificial neural network, logistic regression, relevance vector machine, etc. However, the use of grey model for machine degradation prognostics is rare. This research presents two prognostics methods for machine and battery degradation prognostics. The first is a new method based on grey model and survival probability for machine degradation prognostics, and the second is a new method based on grey model and permutation entropy for battery degradation prognostics. For evaluating the first method, real trending data of low methane compressor acquired from condition monitoring routine was employed. On the other hand, for validating the second method, battery data obtained from data repository of NASA Ames Prognostics Center of Excellence was employed. The first proposed method consists of three steps. The first step of the method is building a normal condition model then determining the failure indicator. In the second step, the survival probability values are obtained based on the failure indicator. Finally, grey model coupled with one-step-ahead forecasting technique is employed in the last step for predicting the future states and assessing the RUL. According to the result of evaluation, performance of the proposed method was very satisfying. Its model could anticipate the sudden decrease of machine degradation. Moreover, the model with a small error and close correlation was able to predict the final failure of the machine. The second proposed method consists of three sequential procedures. In the first step, the data acquired by battery monitoring measurement is employed to determining battery’s capacity and permutation entropy features. Discharge voltage data is used to generate the permutation entropy. Next, when the incipient failure is detected based on permutation entropy’s behavior, the grey prediction model must be built. Finally, future states of battery’s capacity are predicted using the grey model coupled with one-step-ahead forecasting technique, and also remaining cycle life of battery could be assessed. According to the result of validation, performance of this method was very satisfying. It could detect the incipient degradation of battery, and predicted well the future states as well as the final degradation cycle of battery.