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

padku. Tímto způsobem lze plánovat preventivní údržbu nebo opravy včas, což výrazně snižuje riziko neplánovaných výpadků a minimalizuje provozní náklady (Luo et al., 2003a; Schwabacher, 2005). Hybridní prognostika v údržbě a rozvíjení metod předpovědi vzhledem k nejistotám Dnešní sledované systémy a metody CMS (Condition Monitoring Systems) jsou výrazně ovlivněny různými nejistotami, které mohou ovlivnit přesnost těchto systémů. K dosažení přesného CMS je nezbytné tyto nejistoty pečlivě analyzovat, vyhodnotit a ideálně snížit, jak uvádí Koenen (2016). V odborné literatuře je možné se setkat s růz nými zdroji nejistoty, které lze rozdělit do kategorií aleatorních a epistemických, jak na značují Baraldi et al. (2012) a Koenen (2016). Rozdělení zdrojů informací na aleatorní a epistemické základě je základním pojmem v oblasti prognostických úkolů. Aleatorní zdroje jsou založeny na fyzické nejistotě a variabilitě, zatímco epistemické zdroje sou visejí s nedostatkem znalostí a informací. Existuje však diskuse ohledně smysluplnosti tohoto rozdělení pro prognostické úkoly. Některé studie naznačují, že rozdělení zdrojů do těchto dvou kategorií může být užitečné pro lepší porozumění a modelování pro gnostických úloh (Baraldi et al., 2012; Goebel et al., 2021). Proto jsou v tomto textu různé typy nejistot považovány za nezávislé na klasifikaci aleatorní a epistemické (Atamuradov et al., 2017; Baraldi et al., 2013; Goebel et al., 2021; Javed et al., 2017; Su et al., 2017): • nejistota aktuálního stavu, Nejistota aktuálního stavu může být způsobena různými faktory spojenými s po užitými senzory a technologií měření. Volba vzorkovací frekvence, šum měření a nejis toty sledovaného materiálu mohou významně ovlivnit přesnost a spolehlivost měření. Kromě toho je nezbytné zohlednit také nejistotu budoucnosti, která se týká budoucích provozních a environmentálních podmínek, jakož i nejistoty degradačních procesů. Nejistota modelování zahrnuje model měření včetně jeho formy a parametrů, a také prahu poruchy. Nejistota metody prognózy nakonec zohledňuje výběrové chyby a mo delové předpoklady. Pro zvážení nejistot je třeba zvolit vhodný přístup pro monitorování stavu. Obecně lze tyto přístupy rozdělit na přístupy založené na modelu, daty řízené a hybridní (Atamuradov et al., 2017; Baraldi et al., 2014; Javed et al., 2017), viz obr. 8.16. Přístupy založené na modelu dosahují vysoké přesnosti v závislosti na vhodnos ti často intuitivního modelu. Různé okrajové podmínky lze snadno implementovat. Nicméně vytvoření takového modelu může být časově náročné a složité v závislosti na systému, který má být modelován, a na typu modelu, protože fyzikální i empiric ké modely mohou být implementovány v přístupech založených na modelech (Goebel et al., 2021; Vachtsevanos, 2006). Zatímco metody založené na datech se snadno a rychle implementují, potřebují určité množství významných dat. Navíc často spoléhají na modelování z černé skříňky, a proto nestaví srozumitelné modely (Kan et al., 2015; • nejistota budoucnosti, • nejistota modelování a • nejistota metody prognózy.

188