Prognostics and Health Management of Engineering Systems: An Introduction

این کتاب روش‌هایی را برای پیش‌بینی رفتار آینده سلامت سیستم و عمر مفید باقی‌مانده برای تعیین برنامه نگهداری مناسب معرفی می‌کند. نویسندگان تاریخچه، کاربردهای صنعتی، الگوریتم‌ها و مزایا و چالش‌های PHM (پیش‌بینی و مدیریت سلامت) را معرفی می‌کنند تا به خوانندگان کمک کنند تا این رویکرد مهندسی بسیار بین‌رشته‌ای را درک کنند که شامل فناوری‌های سنجش، فیزیک شکست، یادگیری ماشین، آمار مدرن و مهندسی قابلیت اطمینان است. . برای مبتدیان ایده‌آل است زیرا الگوریتم‌های پیش‌آگهی مختلفی را معرفی می‌کند و ویژگی‌ها، مزایا و معایب آن‌ها را از نظر تعریف مدل، تخمین پارامتر مدل، و توانایی مدیریت نویز و سوگیری در داده‌ها توضیح می‌دهد و به خوانندگان اجازه می‌دهد تا روش‌های مناسب را برای حوزه‌های خود انتخاب کنند. کاربرد.در میان بسیاری از موضوعات مورد بحث عمیق عبارتند از: • آموزش های پیش آگهی با استفاده از حداقل مربعات • استنتاج بیزی و تخمین پارامتر • الگوریتم های پیش آگهی مبتنی بر فیزیک شامل حداقل مربعات غیرخطی، روش بیزی و فیلتر ذرات • الگوریتم های پیش آگهی مبتنی بر داده از جمله گاوس رگرسیون فرآیند و شبکه عصبی• مقایسه الگوریتم های مختلف پیش آگهی نویسندگان همچنین چندین کاربرد از پیش آگهی را در سیستم های مهندسی عملی ارائه می دهند، از جمله سایش در مفصل چرخشی، رشد ترک خستگی در یک پانل، پیش آگهی با استفاده از داده های تست عمر تسریع شده، آسیب خستگی در یاتاقان ها، و بیشتر. آموزش های پیش آگهی با کد Matlab با استفاده از مثال های ساده همراه با یک وب سایت همراه که برنامه های Matlab را برای الگوریتم های مختلف و همچنین داده های اندازه گیری ارائه می دهد ارائه شده است. هر فصل شامل مجموعه ای جامع از مسائل تمرینی است که برخی از آنها به برنامه های Matlab نیاز دارند، که این کتاب را به یک کتاب ایده آل برای دانشجویان فارغ التحصیل در رشته های مکانیک، عمران، هوافضا، برق، و مهندسی صنایع و مکانیک مهندسی، و همچنین محققان و مهندسان تعمیر و نگهداری در فیلدهای بالا.

This book introduces the methods for predicting the future behavior of a system’s health and the remaining useful life to determine an appropriate maintenance schedule. The authors introduce the history, industrial applications, algorithms, and benefits and challenges of PHM (Prognostics and Health Management) to help readers understand this highly interdisciplinary engineering approach that incorporates sensing technologies, physics of failure, machine learning, modern statistics, and reliability engineering. It is ideal for beginners because it introduces various prognostics algorithms and explains their attributes, pros and cons in terms of model definition, model parameter estimation, and ability to handle noise and bias in data, allowing readers to select the appropriate methods for their fields of application.Among the many topics discussed in-depth are:• Prognostics tutorials using least-squares• Bayesian inference and parameter estimation• Physics-based prognostics algorithms including nonlinear least squares, Bayesian method, and particle filter• Data-driven prognostics algorithms including Gaussian process regression and neural network• Comparison of different prognostics algorithms The authors also present several applications of prognostics in practical engineering systems, including wear in a revolute joint, fatigue crack growth in a panel, prognostics using accelerated life test data, fatigue damage in bearings, and more. Prognostics tutorials with a Matlab code using simple examples are provided, along with a companion website that presents Matlab programs for different algorithms as well as measurement data. Each chapter contains a comprehensive set of exercise problems, some of which require Matlab programs, making this an ideal book for graduate students in mechanical, civil, aerospace, electrical, and industrial engineering and engineering mechanics, as well as researchers and maintenance engineers in the above fields.