Tehnici de predictie in productie/mentenanta

Masteranzi: ing Ristoiu Emil, ing Bocan Eugen

Abstract:
Intreinerii i asistenei le revin ntre 60 si 75% din costul total al unui sistem industrial. Aceast lucrare prezint o
analiz a abordrilor predictive de ntreinere, a metodelor si uneltelor folosite n sistemele de producie i propune o
platforma integrat de ntreinere predictiv. Prima coloan: (n sensul de parte a unui sistem) este responsabil
pentru extragerea i procesarea datelor, cea de-a doua se concentreaz pe modelarea i reprezentarea datelor despre
ntreinere, iar cea de-a treia prezint capabilitai de avertizare i notificare cu privirea la planificarea ntreinerii,
punand accent pe indicatorii de mediu si de performan energetica .

Cuvinte cheie: ntreinerea predictiv; pronosticul; managementul cunoasterii

1. Introducere: bine implementate in industrie. In cadrul sectiunii

In ultimii ani, costul i timpul au reprezentat
principalii factori de care s-a inut cont n ceea ce
privete sistemele industriale, n acelai timp avnd
grij ca sigurana, integritatea i fiabilitatea sa nu fie
compromise. Intreinerea sistemelor de producie
devine din ce n ce mai important, ntruct n multe
platforme industriale costurile de ntreinere deseori
depasesc 30% din costurile de operare, iar n
contextul ciclului de viaa al unui sistem industrial,
costurile de ntreinere i asisten ajung pana la 60-
75% din costurile totale.
Sistemele din prezent nu asigur o modalitate
sistematica i structurat de modelare i integrare a
defectelor timpurii n activitaile asociate ntreinerii.
In ciuda faptului c se construiesc sisteme i
subsisteme avansate, cu posibiliti de monitorizare
n timp real, atunci cnd datele sunt colectate, ele nu
sunt organizate i analizate, n final aciunile de
predictie corecta neputnd fi initializate.
Vizualizarea datelor pe care se opereaza ar putea duce
la o analiza mai buna intrucat intretinerea preventiva
este mai degraba simplista folosind imagini 2D si
tabele obisnuite, in momentul de fata neexistand o
interfata user-friendly care sa faciliteze intelegerea
inginerului.
2. Practici industriale si abordari academice
Tehnologiile avansate de intretinere care maresc
durabilitatea sistemelor de productie nu au fost inca
curente, vor fi prezentate abordarile uneltele si
metodele existente in urmatoarele arii:
1) Intretinere bazata pe conditii (Condition Based
Maintenance - CBM)
2) Evaluarea de mediu a sistemelor de productie
3) Vizualizarea rezultatelor
4) Platforme de intretinere integrate
Intretinerea bazata pe conditii (CBM)
Aparitia opeartiilor de intretinere neprogramate pot
produce intarzieri si anulari costisitoare, daca
problema nu poate fi rectificata in timp util. CBM
este un program care recomanda activitati de
intretinere bazate pe statusul curent al al sistemului.
CBM utilizeaza metode de prognostic si e considerat
a fi mult mai eficient, fara a-si pierde fiabilitatea in
comparatie cu costul planificarii intretinerii. Un
program CBM inglobeaza 3 pasi cheie:
1. Pasul achizitiei de date (colectarea
informatiei), pentru a obtine date relevante
despre starea sistemului
2. Pasul prelucrariii datelor ( manipularea
informatiei), pentru a gestiona si analiza
datele sau semnalele colectate la pasul 1, in
vederea interpretarii si intelegerii datelor
colectate la pasul 1
3. Pasul luarii deciziilor de intretinere, pentru a
recomanda politici de intretinere eficiente.
Ultimul pas poate fi mai departe analizat ca fiind
format din doi sub-pasi: diagnoza si prognosticul.
Diagnoza inseamna identificarea si cuantificarea
daunelor care au aparut, in timp ce prognosticul
implica prezicerea daunelor ce ar putea aparea in
viitor.
Diagnoza include i) detectarea defectiunilor, ii)
izolarea defectiunilor si iii) identificarea
defectiunilor, in timp ce prognosticul contine i)
durata de viata utila ramasa (RUL), ii) estimarea
intervalului de incredere. Etapa de detectare a
defectiunilor este responsabila pentru detectarea si
raportarea conditiilor de operare anormale, etapa de
izolare a defectelor e responsabila cu determinarea
componentei defecte sau in curs de a se defecta, iar
identificarea defectiunilor se ocupa cu estimarea
naturii si a magnitudinii problemei aparute. Predictia
duratei de functionare utile (RUL) incearca sa
identifice durata de timp pana la aparitia unei
defectiuni, in timp ce prin estimarea intervalului de
incredere se incearca cuantificarea intervalului de
incredere a acestei predictii RUL.
Achizitia de date reprezinta procesul colectarii si
stocarii datelor din echipamentele vizate in scopul
intretinerii. Aceste date colectate sunt clasificate in
doua categorii:
1. Date privind evenimentele
2. Date privind conditiile de monitorizare
Prima categorie include informatii privind
evenimentele produse (defectiunea si cauzele
acesteia) impreuna cu ce operatii s-au efectuat (ex:
reparatii) dispozitivului fizic vizat.
A doua categorie consta in masuratorile parametrilor
legati de starea dispozitivului (presiune, temperatura
etc.).
Procesarea datelor include doi pasi principali:
filtrarea datelor si analiza acestora. Filtrarea datelor
inseamna indepartarea erorilor si a zgomotului din
datele colectate. Analiza datelor implica metode
conventionale. Retelele neuronale, in particular,
alaturi de structuri de tip FFNN sunt larg utilizate in
diagnosticarea erorilor. Utilizarile ES in diagnosticare
sunt analizate in continuare in sisteme de rationare
bazate pe reguli, pe cazuri si pe modele. Retelele
neuronale salveaza informatia prin antrenarea pe
rezultatele observate din inputuri si outputuri
precum analiza domeniului de timp, analiza
domeniului de frecventa si analiza evenimentelor.
Modele ce utilizeaza medii autoregresive (ARIMA)
sunt folosite extensiv in tehnicile de analiza a
domeniului de timp. In lucrarea [7], un model de
realitate augumentata (AR) este utilizat pentru
modelarea vibratiilor si semnalelor colectate de la un
motor cu inductie. Lucrarea [9] prezinta tehnica
portretului in pseudo-faza, iar lucrarea [10] foloseste
tehnica corelarii dimensiunii.
Modelul hazardelor proportionale (PHM) apartine
analizei datelor despre evenimentele produse si
incearca sa stabileasca o corespondenta intre
probabilitatea de defectiune si varsta si anumite
conditii, astfel incat probabilitatea de defectiune sa
poata fi calculata la orice varsta a masinariei si in
orice conditii.
In lucrarea [11], un model de hazarde proportionale
(PHM) a fost dezvoltat pentru analiza datelor
provenite din masurarea defectiunilor si a diagnozei
defectelor pentru rulmenti.
Diagnosticarea defeciunilor mainriilor
reprezinta o procedura de mapare a informatiei
obtinute din spatiul de masuratori si/sau a
caracteristicilor din spatiul de caracteristici cu
defectele dispozitivelor in spatiul erorilor. O metoda
folosita des pentru diagnosticare este testul ipotezei.
O alta analiza satistica este analiza clusterelor,
aceasta clasificand grupurile de semnale in categorii
diverse de defecte, pe baza similaritatilor intre
caracteristicile acestora. Pentru diagnoza masinariilor
au fost aplicate din ce in ce mai mult si abordari
bazate pe inteligenta artificiala, aparent aceste
abordari IA avand performante mai bune decat cele
cunoscute, in timp ce ES utilizeaza domenii de
expertiza intr-un program pe calculator cu un motor
automat de inferenta. Abordarile bazate pe modele
sunt descrieri matematice ale sistemelor cu anumite
specificatii fizice. Asfel de metode au fost
implementate pentru sisteme precum cutii de viteze,
rulmenti, rotoare si scule pentru taiere.
 Fig. 1. Architectura propusa pentru platforma
Obiectivul principal al prognosticului este predictia
timpului ramas pana cand una sau mai multe
defectiuni or sa apara, tinand cond de conditiile
actuale ale sistemului si de profilul de operare din
trecut. Principala abordare utilizata pe scara larga in
prognosticuri se refera la estimarea duratei de viata
utila ramasa (RUL). Abordarile RUL sunt clasificate
in 4 categorii principale:
a. Bazate pe cunotine,
b. Modele fizice,
c. Retele neurale artificiale,
d. Sperana de via.
Modelele bazate pe cunostinte stocheaza defectele
definite in trecut intr-o baza de date. In cazul aparitiei
unui nou eveniment, aduc din baza de date
evenimentul cel mai asemanator cu cel actual si
durata de viata este dedusa. Aceste modele sunt
clasificate mai departe in sisteme expert si fuzzy.
Retelele neurale artificiale estimeaza direct sau
indirect durata de viata utila ramasa pentru o
masinarie, prin antrenarea unei astfel de retele cu
observatiile rezultate din defectele produse in trecut.
Modelele fizice ofera o evaluare a RUL bazata pe
reprezentarea matematica a comportamentului fizic a
procesului de degradare. In final, modelele de
speranta de viata determina timpul ramas al unui
dispozitiv sau componenta a dispozitivului cu referire
la riscurile asteptate de deteriorare in conditii de
functionare cunoscute.
Impactul asupra mediului inconjurator si
evaluarea costurilor energetice
Energia este astazi cheia dezvoltarii economice si, la
randul lor, combustibilii fosili sunt cheia productiei
de energie in intreaga lume. Activitatile de producere
pot implica un consum de energie semnificativ. Cu
atat mai mult, transformarea materialelor brute in
produse consumabile poate fi o sursa de poluare a
mediului. Deseurile rezultate in urma activitatii de
fabricare sunt o amenintare pentru mediu, cu originea
in numeroase regiuni din lume. In general, deseurile
din industrie implica un grup foarte divers de
substante, din cauza gamei largi de produse si
procese implicate. Deseurile rezultate depind de
tehnologia utilizata, de natura materiei prime
procesate si de cantitatea inlaturata la finalul lantului
de productie. De vreme ce productia de bunuri
continua constant sa creasca, si emisia de gaze cu
efect de sera din arderea combustibililor majori se
intensifica.
Vizualizarea activitatilor si rezultatelor de
intretinere
Realitatea augumentata se refera la un mediu
predominant real in care se adauga continut virtual.
Tehnologiile RA asigura mijloace de contopire a unei
experiente virtuale 3D formata din straturi multiple si
bogate intr-un mediu real. In ceea ce priveste
intretinerea, au fost conduse numeroase activitati de
cercetare privind introducerea RA in procesele de
productie si fabricatie. Un Mediu Colaborativ de
Realitate Virtuala a fost dezvoltat prin combinarea
diverselor procese de partajare de date cu vizualizari
3D si metafore ale interactiunii cu utilizatori din
lumea reala. In lucrarea [24], un mediu de productie
colaborativ a fost conceptualizat, constructia lui
bazandu-se pe o arhitectura deschisa folosita
impreuna cu o tehnologie de tip server browser cu 3
nivele: date, business si prezentare. In lucrarea [25],
autorii descriu o metoda in procesul de planificare
prin utilizarea unui instrument care aloca date de RA
conform cu procesul de asamblare. Este important de
remarcat ca in ultimul caz, legaturile pe care
planificatorul le creeaza intre resursa produsului si
operatie sunt identificate in mod automat de
informatiile de urmarie.
Platforme integrate
In ultimii ani au existat mai multe tentative de
dezvoltare a platformelor pentru o serie larga de
echipamente care pot adresa toti pasii intretinerii
conditionate, de la senzori si colectare de date pana la
luarea deciziei de intretinere. CASIP (Computer
Aided Safety and Industrial Productivity - Siguranta
si Productivitate Industriala asistata de Calculator)
este o platforma de intretinere industriala pentru
procesul de productie, oferind acces la distanta si
tehnologii mobile, dezvoltata de PREDICT [26].
Platforma TELMA e construita pe baza produsului
industrial CASIP si inglobeaza dezvoltarea unui
proces de predictie in cadrul e-maintenance
(intretinere electronica), si se bazeaza pe combinarea
unei abordari probabilistice pentru modelarea
mecanismului de degradare a unui sistem cu o
metoda bazata pe modelarea dinamica a degradarii. O
alta platforma [28] are la baza un model de referinta
pentru sistemele de gestiune a defectelor capabile sa
efectueze planuri de intretinere preventiva, sa
detecteze defectele, sa le izoleze, dar si taskuri de
diagnosticare. Aceasta abordare utilizeaza un sistem
multi-agent, in particular MASCommonKADS [29],
avand drept cadru de referinta AIDCS (Sistem
Distribuit Inteligent de Control bazat pe Agenti). Se
constata ca putini cercetatori folosesc dispozitivive
mobile, in special PDA-uri cu tehnologii integrate, si
chiar mai putine cu tehnologii Web. Mai mult decat
atat, foarte putine platforme care raman la nivelul de
cercetare pot adresa toate nivelurile intretinerii
conditionate, in timp ce Sistemele Industriale
Computationale pentru Managementul Intretinerii nu
asigura un prognostic de inalta precizie prin utilizarea
abordarilor avansate cu inteligente artificiale.
3. Platforme propuse
Abordarea curenta prevede dezvoltarea unei latforme
care ar sprijini sistemele de proiectare pentru
obtinerea fiabilitatatii, detectarea defeciunilor,
oprirea degradrii, planificarea activitilor de
ntreinere i vizualizarea datelor si informatiilor
complexe. Platforma propusa consta in 3 piloni
principali care sunt analizati in continuare si
prezentati in figura 1.
Achizitia si Analiza Datelor: acest pilon este
responsabil in primul rand cu colectarea si stocarea
datelor, folosind senzori multi-embedded avansati si
un repository online, si in al doilea rand se ocupa cu
analiza datelor in vederea detectarii unei posibile
deviatii de la conditiile nominale.
Managementul Cunostintelor: acest pilon isi propune
sa promoveze diagnoza erorilor si stocarea eficienta a
datelor despre defectele produse in trecut prin
tehnologie semantica. Acest pilon consta in ontologia
ce reprezinta principala schema pentru depozitul de
date si pentru motorul de inferenta avansata.
Tabloul de bord pentru ntreinere: acest pilon
abordeaz nevoia de a exista o prezentare uor de
utilizat i intuitiv a datelor critice pentru ntreinere,
care vor sprijini inginerii responsabili cu ntreinerea
n luarea deciziilor.
Achizitia si analiza datelor
Sistemele de Senzori Multi Embedded Avansate pot
adresa nevoia de senzori inteligenti cu capabilitati de
reducere a zgomotului, monitorizare a multiplilor
parametri si partajare online de date. Platforma
propusa va implementa sisteme de senzori cu abilitati
multiple de detectare, dimensiuni mici si greutate
redusa, consum redus de energie, transimisie la
distante si la latimi de banda mari, memorie mare,
prelucrare rapida a datelor, costuri reduse si fiabilitate
ridicata. Advanced Intelligent Engine (Motor
INteligent Avansat) este capabil sa detecteze defecte
si sa stopeze degradarea. Detectia erorilor, adica
devierea de la conditiile nominale, este realizata prin
utilizarea Filtrarii Simbolice Dinamice (SDF). SDF
este o metoda de recunoastere statistica a unui model,
folosit in studiul sistemelor dinamice. In particular,
exista serii de timpi de referinta, stocate in
repository-ul online, iar seriile de timpi provenite de
la senzori sunt comparate si analizate cu SDF. SDF
depaseste performantele altor metode in termeni de
robustete in ceea ce priveste masurarea zgomotului si
a semnalelor false. In al doilea rand, SDF este mai
adaptabil la detectari pe rezolutii mici, datorita
granularii grosiere in partitiile spatiale. SDF poate fi
de asemenea parte a unui proces de detectie si izolare
in timp real a defectelor, ceea ce ofera posibilitatea
utilizarii acelorasi date si metoda pe procese diferite.
Motorul Inteligent Avansat va fi capabil sa stopeze
degradarea, acest proces fiind efectuat prin utilizarea
modelelor de speranta de viata, in particular,
modelele ARIMA. Modelele ARIMA vor estima
durata de viata utila a echipamentului avansat. RUL
(aceasta durata de viata utila) se refera la timpul
ramas pana cand o anumita defectiune sau un anumit
criteriu de defectare este atins. Motorul Inteligent
Avansat va include o lista de criterii de defectare
aflate in stransa legatura cu cu parametrii
echipamentului ce sunt monitorizati de senzori. In
afara de estimarea valorilor parametrului monitorizat,
sunt estimate si valorile superioare si inferioare ale
intervalului de incredere. Modelul de date de
referinta si repository-ul web se ocupa de stocarea
datelor provenite de la senzori. Modelul de date de
referinta include datele necesare tuturor fazelor
intretinerii conditionate (CBM). Modelul de date
ofera schema de date si proprietatile de baza ale
datelor. Repository-ul web permite inginerilor sa
acceseze de la distanta datele echipamentelor de
intretinere.
Managementul cunostintelor:
Componentele acestui pilon sunt ontologia,
repository-ul cu informatii, motorul de inferenta
avansat si design-ul pentru fiabilitate. Domeniul de
aplicare si functionalitatile cheie ale fiecarei
componente sunt analizate in continuare. Ontologia
va defini entitatile si relatiile dintre acestea implicate
in designul pentru fiabilitate, in diagnoza intretinerii,
in prognosticuri si in planificarea intretinerii. In
concluzie, ontologia implementata in OWL va oferi:
1. O reprezentare a carcateristicilor
defectiunilor, a parametrilor monitorizati si a
relatiilor dintre ei
2. O semantica imbogatita a corespondentei
dintre defecte si cauzele lor, cu solutiile
posibile
3. O clasificare a esecurilor din trecut pe baza
caracteristicilor lor
4. O mapare a tuturor pasilor de intretinere,
incluzand vizualizarea, evaluarea impactului
asupra mediului si planificarea activitatilor
de intretinere
Scopul principal al repositoryului de date este
stocarea ontologiei. Tehnologii bazate pe semnatica
vor fi utilizate pentru dezvoltarea acestuia. Acest
repository va fi sincornizat cu cel online pentru a
partaja aceleasi date. Mai mult decat atat, repository-
ul de date va stoca si reguli, asa cum vor fi ele
definite de Motorul de Inferenta Avansata si va
permite extragerea informatiilor utile tot prin
intermediul Motorului de Inferenta Avansata,
implementat folosind tehnologia Java si Frameworkul
Jena. Motorul de Inferenta Avansata prevede
efectuarea diagnosticelor corecte si fiabile, prin
identificare defectelor si izolarea acestora, indicand si
cauzele posibile precum si solutiile. Motorul de
Inferenta Avansata este responsabil pentru definirea si
descoperirea informatiilor noi prin utilizarea
mecansimelor bazate pe reguli si rationamente bazate
pe cazuri. Un sistem bazat pe reguli, care utilizeaza
conceptele prezentate de ontologie, va permite
formarea unor reguli ce vor asocia o serie de deviatii
de la conditiile nominale cu defectele specifice,
cauzele lor si solutiile posibile. Astfel, sistemul bazat
pe reguli va permite stocarea sistematica a defectelor
si a solutiilor lor. Mai mult, acest sistem va oferi o
diagnoza automata a defectelor prin folosirea
regulilor pe care le-a stocat si prin efectuarea unui
rationament pe baza lor. In afara de sistemul bazat pe
reguli, diagnoza va fi posibila si prin un rationament
bazat pe cazuri. Similar regulilor, elementele
cazurilor vor fi definite de ontologie. Defectele
produse in trecut sunt descrise ca fiind cazuri si sunt
stocate in repository. In cazul aparitiei unui nou
defect, un mecanism de similaritate va efectua o
cautare pentru a gasi cel mai asemanator defect.
Acest caz este gasit, iar solutia lui, dupa modificarile
corespunzatoare, este propusa ca solutie pentru un
nou defect.
4.Concluzii
Sistemele inteligent cu senzori multiplii, capabile sa
monitorizeze numerosi parametri vor fi implementate
in cadrul platformei propuse. Calitatea crescuta a
datelor extrase este garantata de sistemul de senzori
de acuratete ridicata si de reducerea zgomotului,
rezultate obtinute prin abordari bazate pe filtrare
simbolica dinamica (SDF). SDF depaseste in
performanta metodele utilizate curent in analiza
datelor. Pana acum, SDF a fost utilizat doar in
diagnosticarea defectelor pentru motoarele
avioanelor. Modelele ARIMA sunt capabile sa
modeleze procese non-stationare, din moment ce
includ si partea de integrare si acomodare cu socuri
aleatoare, in contrast cu abordarile bazate pe regresie
simpla. Considerentele de fiabilitate si intretinere au
loc in primii pasi din design, prin utlizarea
cunostintelor provenite din defectele produse in
trecut, informatii stocate in repository-ul de
cunostinte sub forma unor template-uri de defecte,
descrise de ontologie.
Designul echipamentelor, proceselor si sistemelor,
tinand cont de parametrii de intretinere si fiabilitate,
este descris in abordarea curenta. Mecanismele de
rationament, regulile daca - atunci si masuratorile de
similaritate asigura o cale sistematica si automata de
detectare, identificare si izolare a defectelor, fara a fi
nevoie de personal instruit. Parametrii deviatiilor sunt
in stransa legatura cu tipul defectelor, cauza lor si cu
solutiile posibile. Toate relatiile mentionate anterior
sunt modelate prin intermediul mecanismelor de
cunoastere (ontologie, reguli de inferenta), iar in
termeni de cost si timp, relatiile sunt extrase automat
si eficient. Intretinerea programata este o forma de
intretinere conditionata, datorita utilizarii
instrumentelor de prognostic, mai exact, a duratei de
viata utila ramasa. Astfel, numai activitatile de
intretinere absolut necesare se produc la un moment
dat. Motorul de planificare a intretinerii ia in
considerare urmatoarele criterii indicationale:
The
International Conference of the European Aerospace
Societies
2011, CEAS 2011, Venice, Italy.
[7] Zhan, Y., Makis, V., Jardine, A.K.S., 2003. Adaptive
model for
vibration monitoring of rotating machinery subject to
random
deterioration, Journal of Quality in Maintenance
Engineering 9, p.
1. Impactul asupra mediului (emisiile de dioxid
de carbon, deseurile)
2. Costurile de energie
3. Eficienta energetica
4. Durata de viata utila ramasa
5. Costurile de operare
6. Timpul de intretinere (timpul de repare,
timpul de montare etc.)
Tehnologia realitatii augumentate va permite o
presentare user-friendly a rezultatelor activitatilor de
intretinere, descrise in mod normal foarte complex.
Interfetele specifice vor facilita o privire de ansamblu
asupra indicatorilor de performanta care sunt critici
pentru activitatile de intretinere. Platforma propusa
va utiliza telefoane inteligente si dispozitive mobile
in general, pentru a putea fi utilizate in magazine de
catre inginerii responabili cu intretinerea, acest lucru
permitandu-le sa aiba o imagine de ansamblu asupra
analizei rezultatelor, intr-o maniera rapida si
necostisitoare.
5.Bibliografie
[1] Chryssolouris, G., 2006. Manufacturing Systems:
Theory and Practice, 2nd Edition, Springer-Verlag, New
York.
[2] Dhilon, B.S., 2006. Maintenability, Maintenance, and
Reliability for Engineers, Taylor and Francis.
[3] Takata, S., Kimura, F., Houten, F.J.A.
M., Westkmper, E., Shpitalni, M., Ceglarek, D., Lee J.,
2004. Maintenance: Changing Role in Life Cycle
Management, CIRP Annals 36/2, p. 643.
[4] Jardine, A.K.S., Lin, D., Banjevic, D., 2006. A review
on machinery diagnostics and prognostics implementing
condition-based maintenance, Mechanical Systems and
Signal Processing 20, p. 1483.
[5] Sikorska, J.Z., Hodkiewicz, M., Ma, L., 2011.
Prognostic modeling options for remaining useful life
estimation by industry, Mechanical Systems & Signal
Processing, 15, p. 1803.
[6] Efthymiou, K., Georgakakis, P., Papakostas, N.,
Chryssolouris, G., 2011,
On an Engine Health Management System, International
Conference of the European Aerospace Societies
351.
[8] Li, B., Chow, M.-Y., Tipsuwan, Y., Hung, J.C., 2000.
Neural-
network-based motor rolling bearing fault diagnosis, IEEE
Transactions on Industrial Electronics 47, p. 1060.
[9] Wang, W.J., Lin, R.M., 2000. The application of
pseudo-phase
portrait in machine condition monitoring, Journal of Sound
and
Vibration 259, p. 1.
[10] Wang, W.J., Wu, Z.T., Chen, J., 2001. Fault CIRP Journal of Manufacturing Science and Technology 1,
identification in rotating machinery using the correlation p. 45.
dimension and bispectra, Nonlinear Dynamics 25, p. 383. [22] Wang, X., Gong, Y., 2007. Augmented Virtuality
Space: Enriching Virtual Design Environments with
11] Ho, D., Randall, R.B., 2000. Optimisation of bearing
Reality, 13th International Conference on Virtual Systems
diagnostictechniques using simulated and actual bearing
and Multimedia (VSMM'07), Brisbane, Australia.
fault signals,Mechanical Systems and Signal Processing 14
[23] Marner, M., Thomas, B., Sandor, C., 2009. Physical-
p. 763.
virtual tools for spatial augmented reality user, 8th IEEE
[12] Ma, J., Li, C.J., 1995. Detection of localized defects in
International Symposium on Mixed and Augmented
rollingelement bearings via composite hypothesis test,
Reality, p. 205-206.
MechanicalSystems and Signal Processing 9 p. 63.
[24] Chryssolouris, G., Papakostas, N., Mourtzis, D.,
[13] Kim, Y.W., Rizzoni, G., Utkin, V.I., 2001. Developing
Makris, S., 2009. Knowledge Management in
a fault tolerant power-train control system by integrating
Manufacturing Process Modeling - Case Studies in
design of
Selected Manufacturing Processes, in Methods and Tools
control and diagnostics, International Journal of Robust and
for Effective Knowledge Life Cycle Management,
Nonlinear Control 11, p. 1095.
A.Bernard, S.Tichkiewitch Editors, Springer p. 507.
[14] Sohn, H., Worden, K., Farrar, C.R., 2002. Statistical
[25] Reinhart, G., Patron, C., 2003. Integrating Augmented
damage classification under changing environmental and
Reality in the Assembly Domain - Fundamentals, Benefits
operational conditions, Journal of Intelligent Material
and Applications, CIRP Annals - Manufacturing
Systems and Structures 13, p. 561.
Technology 52/1 p. 5.
[15] Lou, X., Loparo, K.A., 2004. Bearing fault diagnosis
[26] PREDICT Platform, URL:http://www.predict.fr, last
based on wavelet transform and fuzzy inference,
accessed 15/06/2011
Mechanical Systems and Signal Processing 18, p 1077.
[27] Muller A., Suhner M.C, Lung B., 2008. Formalisation
[16] Roemer, M.J., Hong, C., Hesler, S.H., 1996. Machine
of a new prognosis model for supporting proactive
health monitoring and life management using finite
maintenance implementation on industrial system,
element-based neural networks, Journal of Engineering for
Reliability Engineering and System Safety, 93.
Gas Turbines and Power - Transactions of the ASME 118 p.
[28] Cerrada M., Cardillo J., Aguilar J., Faneite R., 2007.
830.
Agent based design for fault management systems in
[17] Larson, E.C., Wipf, D.P., Parker, B.E., 1997. Gear
industrial processes, Computers in Industry 58 p.313.
and bearing diagnostics using neural network-based
[29] Campos J., 2009. Development in the application of
amplitude and phase demodulation, in: Proceedings of the
ICT in condition monitoring and maintenance, Computers
51st Meeting of the
in Industry 60 p. 1.
Society for Machinery Failure Prevention Technology,
[30] Yao A.W.L., Strombeck S.D., Chi J.S.C., 2005. ]
Virginia Beach, VA, p. 511.
Development of a mobile manufacturing system with PDA
[18] Hansen, C.H., Autar, R.K., Pickles, J.M., 1994. Expert
and PLC, International Journal of Advanced Manufacturing
systems for machine fault diagnosis, Acoustics Australia 22
Technology 25, p. 723.
p. 85.
[31] Sarkar S, Yasar M, Gupta S, Ray A, and Mukherjee K,
[19] Li, Y.G., Nilkitsaranont, P., 2009. Gas turbine
2008. Fault detection and isolation in aircraft gas turbine
performance prognostic for condition-based maintenance,
engines. Part 2: validation on a simulation test bed,
Applied Energy 86
Proceedings of the
p. 2152.
IMECHE, Part G: Journal of Aerospace Engineering 222 p.
[20] Brotherton, T., Johnson, T., 2001. Anomaly Detection
319.
for Advanced Military Aircraft Using Neural Networks,
[32] Mc Bride, B., 2010. An Introduction to RDF and the
Aerospace Conference, IEEE Proceedings 6 p. 3113.
Jena RDF
[21] Chryssolouris, G., Papakostas, N., Mavrikios, D.,
API, URL: http://jena.sourceforge.net/tutorial/RDF_API/,
2008. A perspective on manufacturing strategy: Produce
Accessed, 15/06/2011/
more with less,