بخشی از مقاله
چکیده
این مقاله مجموعه ای از الگوریتم های یک سیستم تعمیرات و نگهداری پیشگیرانه مبتنی بر تجزیه و تحلیل مولفه های اصلی - - PCA را شرح می دهد. این سیستم از مدل های مختصر و قابل اطمینان تشکیل شده است که همانند تکنیک FMEA حالت عادی عملکرد نظارت بر دستگاه را شرح داده و شرایط خطر و میزان احتمال وقوع شکست را مشخص کرده؛ و علت اصلی نقص را حدس می زند و زمان پیش بینی وقوع شکست دستگاه را محاسبه می کند اما روش این الگوریتم با FMEA متفاوت بوده و در اینجا تمرکز بر روی مولفه های اصلی است.
حوزه اصلی کاربرد این مدل در تعمیرات و نگهداری پیشگیرانه است به گونه ای که به محض کارکرد غیر نرمال اعلام خطر فوری را موجب می شود. این رویکرد به منظور شناسایی زیر مجموعه ای از تمام دستگاه های تحت نظارت است که در درون همان حد و حدودی که پیش بینی شده است دارای نقص می شوند. این اطلاعات برای برنامه ریزی مطلوب کار تعمیر و نگهداری اهمیت ویژه ای دارد.
.1 مقدمه
تحلیل مؤلفههای اصلی - Principal Component Analysis - PCA - تبدیلی در فضای برداری است، که بیشتر برای کاهش ابعاد مجموعه ی دادهها مورد استفاده قرار میگیرد.این تکنیک داده ها را بوسیله کاهش بعد فضای داده ها ساده سازی کرده وتصاویر با ابعاد کوچکتر از طرح های با ابعاد بالاتر تهیه می کند. لذا ساده سازی می تواند در فرایندی همانند فرایندنظارت بر یک دستگاه ، که اغلب شامل پردازش حجم زیادی از داده ها می شود بسیار موثر و مورد نیاز باشد.
اما از سوی دیگر، در حالی که تعداد حسگرها برای هر دستگاه تحت نظارت ممکن است زیاد باشد، احتمال دارد که بین مقادیر حسگر همبستگی ایجاد شود. علاقه شدیدی به استفاده از تحلیل مولفه اصلی - پیرسون، - 1901 به عنوان وسیله ای برای کاهش فضای اندازه گیری موثر وجود دارد. ایده اصلی PCA شامل محاسبه بردارهای متعامد در فضای حسگر می باشد، به طوری که متغییرهای قابل توجهی در اطلاعات حسگر با حداقل تعداد توابع پایه خطی در نظرگرفته شود. در کاربردهای عملی که در گذشته انجام شده است - مک گریگور و همکاران1991 - ، بیان می شود که دو یا سه عملکرد اساسی معمولا کافی است هم چنین برنامه های مختلف PCA برای طبقه بندی رفتار فرایند غیر طبیعی شرح داده شده است.
در این مقاله، یک روش برای تولید مدل های با قابلیت اطمینان بالا که حالت معمول عملیات برای یک دستگاه یا ابزار تحت کنترل را بر اساس نمونه گیری از خروجی های حسگر توصیف می کنند شرح داده می شود. همچنین شرح داده خواهد شد که اعلام هشداربرای حالت های غیر معمول کار دستگاه و همچنین شناسایی علل بالقوه وقوع نقصها در آینده چگونه توسط مدل صورت می پذیرد. بر این اساس یک الگوریتم پیش بینی ساده شرح داده شده است که زمانی وقوع نقص را برآورد خواهد کرد.
.2 مدل سازی
رویکرد مدل سازی شامل دو مرحله است:
- الف - ایجاد مدل PCA
- ب - تعریف سطح هشدار هوشمند - SA -
ایجاد مدل PCA به صورت ذیل خواهد بود :
n [1] مشاهده برای هر یک ازm حسگر، که دربردار داده های x جمع آوری شده و سپس داده ها استاندارد می شوند.
[2] داده های استاندارد شده که شرایط عادی را شرح می دهند در یک ماتریس - n x m - با مقادیر m حسگربرای هر مشاهده انجام شده بر روی هر یک از ردیفهای n ذخیره می شوند. سپس داده ها در یک ماتریس Y با ابعاد مشابه کپی می شوند. علاوه بر این، ماتریس را همانگونه که بوسیله PCA مدل سازی شده است، ارزیابی می کنیم که در آن شمارنده اصلی اجزاء k = 1 است.
