Finding Residual Useful Life using data driven models with Low Data Volume

In an era shaped by technological progress, the impact of machine learning and artificial intelligence (AI) spans diverse sectors, ranging from medical sciences to human speech recognition. This impact has sparked interest in areas of potential domains, notably within mechanical engineering. Here, the integration of AI and ML techniques gathers momentum, steering toward data-driven solutions. This study resides at this intersection, addressing the challenge of precisely estimating the remaining life of roller element bearings in trains and locomotives. While prior research focused on failure classification, a gap exists around prognosis, which this study seeks to fill, alongside addressing the practical challenge of training AI models with limited data—common in industries. This research undertakes a comprehensive approach of applying newer methods such as DMD, SINDy and Particle Filters to build a prognostics model.

In un'epoca plasmata dal progresso tecnologico, l'impatto del machine learning e dell'intelligenza artificiale (AI) si estende a settori diversi, spaziando dalle scienze mediche al riconoscimento del linguaggio umano. Questo impatto ha suscitato interesse in differenti aree della scienza, in particolare nell'ingegneria meccanica. Qui, l'integrazione delle tecniche di AI e ML sta guadagnando slancio, orientandosi verso soluzioni basate sui dati. Questo studio si colloca in questa integrazione, affrontando la sfida di stimare con precisione la vita residua dei cuscinetti a rulli nei treni e nelle locomotive. Mentre le ricerche precedenti si sono concentrate sulla classificazione dei guasti, esiste una lacuna nell'ambito della previsione della vita residua, che questo studio cerca di colmare, affrontando anche la sfida pratica dell'addestramento dei modelli AI con dati limitati, aspetto comune in molte applicazioni industriali. Questa ricerca adotta un approccio ampio che utilizza i metodi più recenti come DMD, SINDy e Particle Filters per costruire un modello di prognosi.