Maintenance Decision Based on Data Fusion of Aero Engines

Maintenance has gained a great importance as a support function for ensuring aero engine reliability and availability. Cost-effectiveness and risk control are two basic criteria for accurate maintenance. Given that aero engines have much condition monitoring data, this paper presents a new condition-based maintenance decision system that employs data fusion for improving accuracy of reliability evaluation. Bayesian linear model has been applied, so that the performance degradation evaluation of aero engines could be realized. A reliability evaluation model has been presented based on gamma process, which achieves the accurate evaluation by information fusion. In reliability evaluation model, the shape parameter is estimated by the performance degradation evaluation result, and the scale parameter is estimated by failure, inspection, and repair information. What is more, with such reliability evaluation as input variables and by using particle swarm optimization (PSO), a stochastic optimization of maintenance decision for aircraft engines has been presented, in which the effectiveness and the accuracy are demonstrated by a numerical example.

Μπεϋζιανές μέθοδοι για προβλήματα μηχανικής μάθησης και επεξεργασίας εικόνας

Η διατριβή εστιάζεται στο αραιό Μπεϋζιανό γραμμικό μοντέλο (sparse Bayesian linear model) για προβλήματα παλινδρόμησης (regression) και ταξινόμησης (classification) και σε εφαρμογές του σε προβλήματα επεξεργασίας εικόνας. Αρχικά, παρουσιάζεται συνοπτικά η μεθοδολογία για Μπεϋζιανή συμπερασματολογία. Στη συνέχεια, προτείνεται ένας υπολογιστικά αποδοτικός αλγόριθμος για το πρόβλημα της αραιής Μπεϋζιανής παλινδρόμησης εικόνων. Ο προτεινόμενος αλγόριθμος χρησιμοποιεί λειτουργίες στο πεδίο του διακριτού μετασχηματισμού Fourier και τη μέθοδο βελτιστοποίησης συζυγών κατευθύνσεων (conjugate gradient) για να επιτύχει παλινδρόμηση εικόνων με εφικτό υπολογιστικό κόστος. Έπειτα, ο αλγόριθμος αυτός χρησιμοποιείται για την επίλυση του προβλήματος ανίχνευσης αντικειμένων σε εικόνες, προτείνοντας μια παραλλαγή του μοντέλου Relevance Vector Machine (RVM) που το ονομάζουμε multikernel RVM. Το αραιό Μπεϋζιανό γραμμικό μοντέλο χρησιμοποιείται στη συνέχεια για να εκτιμήσουμε την συνάρτηση διασποράς σημείου της θόλωσης (blurring PSF) στο πρόβλημα της τυφλής αποσυνέλιξης εικόνων (blind image deconvolution). Προτείνεται ένα στατιστικό μοντέλο, βασικά πλεονεκτήματα του οποίου είναι η εκτίμηση του μεγέθους της συνάρτησης διασποράς σημείου που περιγράφει την θόλωση, η ανακατασκευή των ακμών της εικόνας και η ανθεκτικότητα στο θόρυβο. Η Μπεϋζιανή συμπερασματολογία υλοποιείται με την χρήση της variational προσέγγισης. Κατόπιν, η διατριβή εστιάζεται στο πρόβλημα επιλογής κατάλληλων συναρτήσεων βάσης για το αραιό Μπεϋζιανό γραμμικό μοντέλο, το οποίο είναι σημαντικό ζήτημα προκειμένου να κατασκευάσουμε συστήματα με καλή γενικευτική ικανότητα. Τυπικά, η επιλογή κατάλληλων συναρτήσεων βάσης πραγματοποιείται με την χρήση της τεχνικής cross-validation, όμως η τεχνική αυτή έχει υψηλές υπολογιστικές απαιτήσεις και έτσι μπορεί να εφαρμοστεί για την επιλογή του καλύτερου συνόλου συναρτήσεων βάσης, μόνο εάν ο αριθμός των υποψήφιων συνόλων είναι μικρός. Προτείνεται ένας προσαρμοστικός αλγόριθμος μάθησης των συναρτήσεων βάσης, ο οποίος είναι ανάλογος με το μοντέλο RVM, αλλά εκτιμά τις παραμέτρους των συναρτήσεων βάσης ταυτόχρονα με την εκπαίδευση του μοντέλου. Πιο συγκεκριμένα, η προτεινόμενη μέθοδος εκτιμά διαφορετικές τιμές για τις παραμέτρους κάθε συνάρτησης βάσης και έτσι προκύπτει ένα πολύ ευέλικτο μοντέλο. Για να αποφευχθεί η υπερεκπαίδευση, επιβάλλεται μια εκ των προτέρων κατανομή που οδηγεί σε αραιές λύσεις, ρυθμίζοντας αυτόματα τον ουσιαστικό αριθμό παραμέτρων του μοντέλου. Η προτεινόμενη μεθοδολογία εφαρμόζεται σε διάφορα προβλήματα παλινδρόμησης και ταξινόμησης και χρησιμοποιείται για την ανάλυση εικόνων λειτουργικού μαγνητικού συντονισμού (fMRI). Επίσης, προτείνεται μια τροποποίηση της προηγούμενης μεθόδου, που χρησιμοποιεί ανισοτροπικές Γκαουσσιανές συναρτήσεις βάσης, με ξεχωριστή παράμετρο κλίμακας (πλάτος) για κάθε χαρακτηριστικό, ώστε να επιτύχει τοπική επιλογή χαρακτηριστικών. Η επιλογή χαρακτηριστικών είναι τοπική, με την έννοια ότι υποθέτουμε ότι διαφορετικά χαρακτηριστικά είναι σημαντικά σε διαφορετικές περιοχές του χώρου παραδειγμάτων. Για να απαλείψουμε τα χαρακτηριστικά που δεν είναι χρήσιμα, υποθέτουμε μια κατάλληλη εκ των προτέρων κατανομή για τις παραμέτρους κλίμακας. Οι παραπάνω μεθοδολογίες μάθησης των παραμέτρων των συναρτήσεων βάσης (με ή χωρίς ταυτόχρονη τοπική επιλογή χαρακτηριστικών) χρησιμοποιούνται για την ταξινόμηση δεδομένων από μικροσυστοιχίες (microarrays) DNA.

Probabilistic Multimodel Regional Temperature Change Projections

Regional temperature change projections for the twenty-first century are generated using a multimodel ensemble of atmosphere–ocean general circulation models. The models are assigned coefficients jointly, using a Bayesian linear model fitted to regional observations and simulations of the climate of the twentieth century. Probability models with varying degrees of complexity are explored, and a selection is made based on Bayesian deviance statistics, coefficient properties, and a classical cross-validation measure utilizing temporally averaged data. The model selected is shown to be superior in predictive skill to a naïve model consisting of the unweighted mean of the underlying atmosphere–ocean GCM (AOGCM) simulations, although the skill differential varies regionally. Temperature projections for the A2 and B1 scenarios from the Intergovernmental Panel on Climate Change (IPCC) Special Report on Emissions Scenarios are presented.