Data-Driven Remaining Useful Life Prognosis Techniques: Stochastic Models, Methods and Applications

این کتاب تکنیک‌های پیش‌آگهی عمر مفید باقی‌مانده مبتنی بر داده را معرفی می‌کند و نحوه استفاده از داده‌های پایش وضعیت را برای پیش‌بینی عمر مفید باقی‌مانده سیستم‌های تخریب تصادفی و برنامه‌ریزی برنامه‌های نگهداری و لجستیک نشان می‌دهد. همچنین اولین کتابی است که نظریه پیش‌آگهی عمر مفید باقیمانده مبتنی بر داده‌های پایه را به طور سیستماتیک و با جزئیات توصیف می‌کند.

تاکید کتاب بر روی مدل‌ها، روش‌ها و کاربردهای تصادفی مورد استفاده در پیش‌آگهی عمر مفید باقیمانده است. این شامل انبوهی از داده‌های آزمایش پایش تخریب، روش‌های پیش‌آگهی عملی برای باقی ماندن عمر مفید در موارد مختلف و مجموعه‌ای از کاربردهای گنجانده شده در اطلاعات پیش‌آگهی در تصمیم‌گیری، مانند تصمیم‌های مربوط به تعمیر و نگهداری و سفارش قطعات یدکی است. همچنین آخرین پیشرفت‌ها را در تکنیک‌های پیش‌آگهی عمر مفید باقی‌مانده مبتنی بر داده، به‌ویژه در زمینه‌های پیش‌آگهی تطبیقی ​​برای سیستم‌های تخریب تصادفی خطی، پیش‌آگهی مبتنی بر مدل‌سازی تخریب غیرخطی، پیش‌آگهی عمر ذخیره‌سازی باقی‌مانده، و تصمیم‌گیری مبتنی بر اطلاعات پیش‌آگهی برجسته می‌کند. /p>

This book introduces data-driven remaining useful life prognosis techniques, and shows how to utilize the condition monitoring data to predict the remaining useful life of stochastic degrading systems and to schedule maintenance and logistics plans. It is also the first book that describes the basic data-driven remaining useful life prognosis theory systematically and in detail.

The emphasis of the book is on the stochastic models, methods and applications employed in remaining useful life prognosis. It includes a wealth of degradation monitoring experiment data, practical prognosis methods for remaining useful life in various cases, and a series of applications incorporated into prognostic information in decision-making, such as maintenance-related decisions and ordering spare parts. It also highlights the latest advances in data-driven remaining useful life prognosis techniques, especially in the contexts of adaptive prognosis for linear stochastic degrading systems, nonlinear degradation modeling based prognosis, residual storage life prognosis, and prognostic information-based decision-making.