Contributions to data-driven model-based identification using small-size datasets for estimating bearings remaining useful life - Université de Lorraine Accéder directement au contenu
Thèse Année : 2020

Contributions to data-driven model-based identification using small-size datasets for estimating bearings remaining useful life

Contributions à l'élaboration des modèles à partir de données pour l'estimation de la durée de vie résiduelle des roulements

Résumé

Remaining useful life (RUL) estimation for bearings degradation monitoring is an important metric for decision making in condition based maintenance of rotating mechanics. RUL estimation involves generally two steps: degradation indicator extraction and model identification. Common vibration signal based features for bearings degradation monitoring are sensible on the last stage of the degradation process. In this thesis, we propose new bearing degradation monitoring indicators that are monotonic and incorporate historical degradation information. To overcome the drawback of a small size training datasets for model identification, we elaborated a mixture distribution analysis based fuzzy model identification method for RUL estimation. Furthermore, we proposed a method to tune the parameters of the fuzzy models for bearings RUL estimation when new knowledge becomes available. The aim is to improve the accuracy of the RUL estimation through a knowledge accumulation process.
Cette thèse de doctorat porte sur l’estimation de la durée de vie résiduelle d’un roulement sur la base des signatures obtenues à partir des signaux de vibration collectés pour un nombre restreint de roulements identiques durant un cycle complet de fonctionnement. Nous avons élaboré de nouvelles signatures qui ont une évolution monotone croissante avec l’état de dégradation des roulements et nous avons proposé un modèle d’estimation de la durée de vie résiduelle des roulements, basé sur un système d’inférence floue. Les paramètres du modèle sont identifiés par apprentissage à partir d’une petite quantité de données, en utilisant la méthode d’analyse du maximum de vraisemblance d’un mélange de distributions. Un ensemble de données d’apprentissage de petite taille ne permettant pas d’estimer les paramètres du modèle avec une grande précision. Nous avons donc élaboré une méthode de mise à jour des paramètres du modèle par un processus adaptatif de capitalisation de connaissances.
Fichier principal
Vignette du fichier
DDOC_T_2020_0019_HUANG.pdf (4.23 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02877609 , version 1 (22-06-2020)

Identifiants

  • HAL Id : tel-02877609 , version 1

Citer

Fei Huang. Contributions to data-driven model-based identification using small-size datasets for estimating bearings remaining useful life. Engineering Sciences [physics]. Université de Lorraine, 2020. English. ⟨NNT : 2020LORR0019⟩. ⟨tel-02877609⟩
168 Consultations
291 Téléchargements

Partager

Gmail Facebook X LinkedIn More