SVĚTOVÝ, EVROPSKÝ A ČESKÝ AUTOMOBILOVÝ PRŮMYSL A TRH S AUTOMOBILY :: Šaroch a kol.

přístupy řízené daty a přístupy založené na modelu v sérii, čtvrtý přístup je paralelním řešením diagnostiky nebo predikce založené na datech a modelu pomocí souboru Pro vývoj vhodného CMS pro konkrétní aplikaci, která souvisí s nejistotami, je zapotřebí vhodná hybridní metoda. Jak zvolit vhodný hybridní přístup? Pokud je navíc k dispozici jen málo údajů, není snadné realizovat přesnou předpověď hybridním přístupem. Jedním z důvodů je přístup založený na datech, který závisí na kvalitě a částečně na kvantitě dat. V práci Bendera a Sextry (2021) jsou vyvinuty a porovnány dva hybridní pří stupy zvažující potenciální nejistoty. Vzhledem k okrajovým podmínkám souvisejícím s malým množstvím dat se čtvrté řešení Liao a Kottiga (2014) nedoporučuje, protože je založeno na samostatné predikci řízené daty. První přístup k modelu měření založeného na datech byl vyhodnocen v práci Kullinga a Bendera (2019) a nezlepšuje přesnost před pokládané zbývající užitečné životnosti (RUL). Zatímco druhý přístup souvisí s hlavní částí modelově založené predikce, stavovým modelem, třetí přístup má za cíl zlepšit pre dikci stavového modelu. Protože v Benderovi (2021) je implementována predikce zalo žená na modelu s vhodným stavovým modelem, v tomto článku se zaměřujeme na třetí přístup Liao a Kottiga (2014). Cíl je definován zlepšením dostupné metody prognózy za použití stejného stavového modelu. Proto je v rámci metody založené na modelu integrován odhad nových měření na základě dat. Aby bylo možné zvážit nejistoty v rámci systému, diferenciace mezi různým chováním systému je realizována v různých fázích degradace. Druhý hybridní přístup kombinuje diagnostiku řízenou daty a pojmenovanou predikci založenou na modelu. Předpovědi založené na modelu by proto měly být validovány konkrétní klasifikací. Oba vyvinuté hybridní prognostické přístupy Benderem a Sextrem (2021) jsou založeny na metodě filtrování částic kombinované s metodou strojového učení pro od had RUL technických systémů. Filtrování částic, simulační technika Monte Carlo, je vhodná pro mapování a šíření nejistot. Navíc se jedná o nejmodernější modelovou me todu pro predikci RUL technických systémů (Jouin et al., 2016). V současné době je k dispozici mnoho prognostických metod a přístupů, které lze principiálně rozdělit do tří základních skupin: • prognostika na základě objektivních údajů (datadriven – DD), • prognostika s použitím modelu (model-based – MB), • statistické přístupy vycházející z předchozích zkušenosti a teoretické spoleh livosti. Každá skupina metod zahrnuje specifické postupy a techniky, které slouží k pre dikci budoucích událostí nebo vývoje určitého jevu. Výběr vhodné prognostické metody je klíčovým rozhodnutím při analýze dat a predikci budoucích událostí. Výběr této me tody, jak již bylo výše na základě provedené rešerše dané problematiky naznačeno, závisí na konkrétní situaci, dostupných datech a cíli predikce. Každá prognostická metoda má své výhody a omezení, a proto je důležité pečlivě zvážit všechny možnosti a zvolit metodu, která nejlépe odpovídá dané situaci, tudíž jsou v praxi mnohdy kombinovány. Při výběru prognostické metody je nezbytné pečlivě zvážit několik důležitých fak torů, které mohou ovlivnit výsledky predikce. Jedním z klíčových hledisek je typ dat,

190