Data-gedreven gezondheidsbeoordeling en prognostiek van technische systemen bij beperkte databeschikbaarheid

Prognostics and Health Management (PHM) is een multidisciplinair kader dat gericht is op het beoordelen van de toestand van technische systemen en het voorspellen van hun resterende levensduur om voorspellend onderhoud te ondersteunen. Dit proefschrift behandelt de uitdaging om PHM-modellen te ontwikkelen onder beperkte dataomstandigheden, een veelvoorkomend probleem in industriële toepassingen en diverse technische domeinen. Het onderzoek onderzoekt hoe hybride en domeingestuurde leerkaders de modelprestaties, verklaarbaarheid en betrouwbaarheid kunnen verbeteren in dergelijke databeperkte omgevingen.

De studie is opgebouwd rond drie hoofddoelstellingen: (1) een vergelijkende evaluatie van conventionele machine learning (ML) en deep learning (DL) methoden voor het construeren van gezondheidsindicatoren (HIs) uit beperkte tijdreeksdata; (2) de integratie van domeinkennis in DL-modellen via constraint-gestuurde optimalisatie om fysieke consistentie te verbeteren en de afhankelijkheid van geannoteerde datasets te verminderen; en (3) de kwantificatie van voorspellingsonzekerheid om betrouwbaardere besluitvorming te ondersteunen.

Deze doelstellingen worden aangetoond aan de hand van drie casestudy’s: (i) anomaliedetectie en foutdiagnose in een kleine huishoudelijke koffiemachine met behulp van multisensordata; (ii) modellering van lagerdegradatie met behulp van constraint-gestuurde gradient descent (CGGD) om monotone degradatie, begrensde gezondheidstoestanden en energie-gealigneerd signaalgedrag af te dwingen; en (iii) hybride modellering voor de schatting van resterende levensduur en onzekerheidskwantificatie in noodstroom-batterijen van telecombasisstations onder voorspelde variabele belastingscondities.

De resultaten tonen aan dat het inbouwen van domeingestuurde beperkingen de robuustheid en verklaarbaarheid van DL-modellen aanzienlijk verbetert bij beperkte data. Hybride kaders die fysisch-gebaseerde en data-gedreven benaderingen combineren, verhogen bovendien de betrouwbaarheid en nauwkeurigheid van onzekerheidsinschattingen. Gezamenlijk levert dit werk nieuwe methoden voor constraint-gestuurde leermodellen en hybride PHM-modellering, en draagt het bij aan de ontwikkeling van data-efficiënte, verklaarbare en betrouwbare voorspellende onderhoudssystemen.