Un sistem informatic eficient ar trebui să fie disponibil, astfel încât datele relevante să poată fi preluate în timp real și părțile autorizate să poată accesa datele de interes în siguranță și convenabil. Diferite metode de stocare a datelor pot fi utilizate pentru diferite tipuri de date pentru a obține o recuperare și o actualizare ușoară a datelor (Kiritsis et al. 2003).

Instrumentele XML pot fi folosite pentru a accesa și manipula datele de atribute statice, deoarece schema XML standard existentă permite accesul fără ambiguitate la anumite proprietăți ale unui obiect și poate fi aplicată în toate sectoarele industriale. Bazele de date relaționale pot fi utilizate pentru a trata datele istorice (Harrison 2003; Parlikad și McFarlane 2007). Yang şi colab. (2009) au dezvoltat o structură de vizualizare arborescentă bazată pe XML pentru achiziția de date pe ciclul de viață al produsului și a furnizat un motor de informații pentru analiza online și regăsirea datelor.

Reprezentarea neintuitivă a informațiilor despre produs către producători este o problemă critică. De exemplu, dezasamblarea în timpul refabricării necesită adesea muncă intensivă, cu un nivel scăzut de automatizare a fabricii. Prin urmare, pentru a îmbunătăți eficiența procesului de demontare, reprezentările intuitive ale unor astfel de informații pot fi furnizate tehnicienilor de demontare pentru a ghida operațiunile de demontare. Au fost explorate instrumente de vizualizare asistată de realitate augmentată, unde pot fi furnizate indicii virtuale sub formă de texte, imagini, desene CAD, clipuri video etc., pentru a ajuta sarcinile de asamblare manuală (Yuan et al. 2008; Zhang et al. 2011). Acest concept poate fi aplicat în dezasamblare, unde secvența de dezasamblare poate fi organizată într-o structură arborescentă de dezasamblare.

Fuziunea și interpretarea datelor

Un produs poate avea mai mulți senzori încorporați. Datele senzorului sunt adesea în unități diferite, necesitând o fuziune multisenzor robustă pentru a evalua starea reală a produsului, adică diagnosticarea defectelor și prognoza avariilor. Diferența dintre cele două constă în aceea că primul implică identificarea și cuantificarea prejudiciului care a avut loc, în timp ce al doilea se preocupă de încercarea de a prezice daunele care urmează să se producă (Sikorska et al. 2011). Rezultatul diagnosticului defectelor și al prognozei avariei ar servi drept punct de ancorare pentru orice decizie luată pentru recuperarea EoL a produsului. Figura 3 ilustrează o procedură generică pentru fuziunea și interpretarea datelor senzorului.

Fuziunea datelor senzorului

Fuziunea multisenzor a fost un domeniu de cercetare intensă, iar multe studii și rapoarte anterioare s-au concentrat pe monitorizarea stării în mașini-unelte, procese de fabricație etc. (Du et al. 1995a, b). Se raportează că structurile de fuziune a datelor pot fi generalizate în trei tipuri, și anume fuziunea la nivel de semnal brut, la nivel de caracteristică și la nivel de decizie (Niu et al. 2010).

• Fuziune la nivel de semnal brut: Datele brute de la toți senzorii sunt colectate și combinate direct și o caracteristică/semnătură este extrasă din setul de date. Achiziția și fuziunea datelor sunt efectuate într-o manieră centralizată, cu condiția ca senzorii să fie responsabili doar de detectare și să nu aibă capacitate de procesare (Spencer et al. 2004). Fuziunea la acest nivel poate produce rezultate bune, deoarece datele ar putea fi redundante și nu au fost procesate/comprimate; însă, este posibil să nu genereze rezultate relevante din cauza prezenței zgomotelor și a altor imperfecțiuni în măsurători. O limitare a fuziunii la nivel de semnal este aceea că datele ar trebui să aibă aceleași cantități fizice sau similare, de exemplu, semnalul de vibrație nu poate fi fuzionat cu semnalul de temperatură. În plus, datele trebuie calibrate sub aceeași unitate de măsură. Acest lucru ar restricționa aplicațiile fuziunii la nivel de semnal în medii reale complexe care pot avea multe cantități fizice (Niu et al. 2010).
• Fuziune la nivel de caracteristică: caracteristicile din același tip de senzor sunt mai întâi extrase, procesate și reprezentate prin vectori caracteristici. Acești vectori caracteristici sunt normalizați și combinați într-un vector de caracteristici compus, care formează o reprezentare de bază a setului de date. La fiecare caz, vectorul caracteristic compus este trecut la un model de clasificare a tiparului pentru luarea deciziilor ulterioare. Fuziunea la nivel de caracteristică permite senzorului individual să efectueze calcule simple, de exemplu, extragerea caracteristicilor, ceea ce reduce sarcina de calcul a procesorului central pentru stocarea și procesarea datelor.
• Fuziune la nivel de decizie: O decizie ar fi luată mai întâi pe baza datelor dintr-o singură sursă obținute de la fiecare senzor cu tehnicile necesare de procesare a datelor (de exemplu, extragerea caracteristicilor și recunoașterea tiparelor). O decizie finală poate fi generată prin fuziunea deciziei individuale luate cu privire la fiecare senzor folosind tehnici de fuziune la nivel de decizie, de exemplu, metoda Bayesiană, teoria Dempster-Shafer etc. Fuziunea la acest nivel permite senzorilor să aibă o capacitate autonomă de procesare a datelor, reprezentând cea mai distribuită arhitectură de fuziune, în care tehnicile de calcul omniprezente pot fi bine potrivite.

Nu există o abordare universală capabilă să rezolve toate problemele de fuziune a datelor. Prin urmare, algoritmii de fuziune a datelor ar trebui selectați în funcție de cerințele și problemele întâlnite în aplicațiile specifice. Jardine și colab. (2006) au revizuit tehnicile de procesare a semnalului pentru datele formă de undă în diferite domenii, de exemplu, domeniul timp, domeniul frecvență și domeniul timp-frecvență. Niu și colab. (2010) au enumerat un număr de semnături de semnale care pot fi utilizate pentru recunoașterea tiparelor în ceea ce privește aceste domenii de date. Khaleghi și colab. (2013) au efectuat un studiu analitic al evoluțiilor recente în domeniul fuziunii de date. Au fost studiate probleme comune, dar provocatoare legate de fuziunea datelor, cum ar fi datele imperfecte din cauza prezenței zgomotului și a incertitudinii de măsurare, date false de la senzor defect, date conflictuale de la diferite tipuri de senzori etc. Au fost revizuiți diverși algoritmi de fuziune a datelor, de exemplu, fuziunea bazată pe probabilități, raționamentul convingerii probaționale, teoria dovezilor Dempster-Shafer și tehnicile de fuziune hibridă, și s-au făcut comparații pentru a analiza adecvarea acestora în abordarea diferitelor probleme de fuziune a datelor.

Diagnosticarea defecțiunilor și prognoza avariilor

Diagnosticarea este de a detecta defecțiunea care a avut loc într-o componentă (sau subsistem) și de a izola și identifica rădăcina defecțiunii, pe baza datelor colectate de senzorii încorporați. Prognoza este de a estima momentul la care o componentă nu va funcționa la specificațiile sale declarate, pe baza stării sale actuale, precum și a sarcinii viitoare și a expunerii la mediu, adică, predicția duratei de viață utilă rămasă (RUL = remaining useful life) a componentei. RUL este un parametru utilizat în mod obișnuit pentru a evalua fiabilitatea (sau reutilizarea) unei componente utilizate. Durata medie de viață a unui produs (TPM) este guvernată de componenta critică cu cea mai scurtă durată de viață. Indicii de fiabilitate utilizați în mod obișnuit sunt timpul mediu până la defecțiune (MTTF = mean-time-to-failure), timpul mediu până la reparație (MTTR = mean-time-to-repair) etc., care sunt furnizați în mod normal de producătorii de produse. Insă, condițiile experimentale utilizate pentru determinarea acestor indici pot să nu reflecte condițiile reale de lucru. Prin urmare, este posibil ca acești indici să fie evaluați pentru a lua în considerare condițiile reale de muncă. Durata de viață a unui produs/componentă poate fi definită sub alte forme, de exemplu, kilometrajul unei mașini, cantitatea de benzină consumată pentru un motor de automobile (Smith și Keoleian 2004), numărul de porniri și opriri pentru un motor electric (Kara et al. 2008), etc. La nivel de componente, poate fi definită prin numărul de cicluri reutilizabile, de exemplu, nucleul camerei pentru camere de unică folosință (Geyer et al. 2007). RUL poate fi definit în forme similare în consecință.

Figura 4 prezintă o procedură generală pentru estimarea RUL a unei componente pe baza stării monitorizate. Dacă nu există semnal de eroare, RUL poate fi aproximată pe baza modelelor de fiabilitate (de exemplu, MTTF sau MTTR) empiric. Dacă a fost detectat un semnal de defecțiune, cauzele vor fi mai întâi izolate și identificate prin diagnosticarea defecțiunii, iar procesul de prognoză a defecțiunii va fi declanșat în același timp.

A existat o cantitate substanțială de cercetare dedicată diagnosticării eșecurilor bazate pe fuziunea datelor (Engel și colab. 2000; Schwabacher 2005; Roemer și colab. 2006; Schwabacher și Goebel 2007; Pecht 2008; Saxena și colab. 2008; Heng și colab. 2008; . 2009; Si et al. 2011; Sikorska et al. 2011). În general, abordările de prognostic pot fi împărțite în trei categorii, și anume, abordări bazate pe date statistice, abordări bazate pe fizica eșecului (PoF = physics-of failure) și abordări hibride.

• Abordări bazate pe date statistice: Acest set de abordări estimează RUL al unei componente într-o manieră probabilistică, pe baza datelor observate în trecut și a modelelor statistice, fără a se baza pe principii de fizică sau inginerie. Datele observate includ date de defecțiuni înregistrate în trecut și date de monitorizare a stării, de exemplu, semnale de degradare, date operaționale, de performanță, de mediu etc. Avantajul metodelor bazate pe date statistice este că proprietățile matematice ale RUL estimate pot fi analizate. Dar, eficacitatea acestor metode este limitată de disponibilitatea datelor observate, în special pentru sistemele nou puse în funcțiune, cărora le lipsesc astfel de date observate. Si et al. (2011) au revizuit abordările bazate pe date pentru estimarea RUL, incluzând modelele bazate pe regresie, pe mișcarea browniană și pe baza markoviană. Goebel și colab. (2008) au comparat trei tehnici de regresie, și anume, rețelele neuronale, mașina vectorială de relevanță și regresia procesului gaussian; au arătat că rezultatul estimării se bazează în mod semnificativ pe calitatea și disponibilitatea datelor observate. Același grup de cercetare a dezvoltat metrici pentru evaluarea diferitelor tehnici de prognostic și adecvarea în diverse aplicații de prognostic (Saxena et al. 2008, 2009).

• Abordări bazate pe fizica eșecului: Estimarea RUL bazată pe Physics-of-failure (PoF) implică construirea modelelor matematice ale fizicii sistemului, cunoașterea sarcinilor ciclului de viață al produsului și relaționarea acestora cu potențialele moduri de defecțiune, mecanisme de defecțiune și locuri de defecțiune (Pecht 2008). Abordările bazate pe PoF necesită mai puține date decât cele ale abordărilor bazate pe date; dar, performanța lor depinde în mare măsură de acuratețea modelelor de fizică stabilite. În plus, aceste modele sunt în mod normal specifice defectelor și adesea prea stocastice și complexe pentru modelare. Acest lucru face ca estimarea RUL bazată pe PoF să fie mai puțin practică în cazurile în care este necesară o intervenție distructivă pentru a identifica modurile, mecanismele și efectele defecțiunii. Heng şi colab. (2009) au trecut în revistă unele abordări de prognostic bazate pe PoF, de exemplu, modelarea creșterii fisurilor, inițializarea spall-ului la oboseală și modelarea progresiei etc. și cerințele de a aplica aceste modele.

• Abordări hibride : O abordare hibridă îmbină modelele de prognoză bazate pe PoF cu datele de monitorizare a stării pentru a produce o estimare RUL mai fiabilă și mai robustă. Acesta își propune să utilizeze puterea ambelor tipuri de abordări și să creeze o imagine mai cuprinzătoare prin integrarea modelului PoF, a datelor empirice de eșec și a datelor operaționale și de mediu anterioare și actuale monitorizate. Goebel și colab. (2006) au adoptat tehnici de regresie Dempster-Shafer pentru a fuziona estimările independente RUL pentru a obține o predicție RUL mai precisă și mai robustă.