UMA ABORDAGEM BASEADA EM FILTROS DE PARTICULAS PARA

PROGNOSTICO DE FALHAS

Luciana B. Cosme, Marcos Flavio S. V. DAngelo, Walmir M. Caminhas, Murilo Cesar

O. Camargos Filho, Alexandre R. Mesquita, Reinaldo M. Palhares

IFNMG Campus Montes Claros
Rua Dois, 300, Village do Lago I, 39404-058, Montes Claros - MG
Programa de Pos-Graduacao em Engenharia Eletrica - Universidade Federal de Minas Gerais - Av.
Antonio Carlos 6627, 31270-901, Belo Horizonte, MG, Brasil

Departamento de Ciencia da Computacao
Universidade Estadual de Montes Claros
Av. Rui Braga, s/n, Vila Mauriceia, CEP: 39401-089
Montes Claros - MG

Departamento de Engenharia Eletronica
Universidade Federal de Minas Gerais
Av. Antonio Carlos, 6627, 31270-901, Belo Horizonte - MG

Emails: luciana.balieiro@ifnmg.edu.br, marcos.dangelo@unimontes.br,

caminhas@cpdee.ufmg.br, murilo.camargosf@gmail.com, amesquita@cpdee.ufmg.br,
rpalhares@ufmg.br

Abstract This paper addresses the problem of predicting faults and the tool wear condition of a computer
numerical control. To handle this problem, an approach based on a particle filter is used and compared with
traditional approaches for prediction. The contribution of the paper is to assess a particle filter robustness with
respect to noise and uncertainty in system and measurement models. The particle filter solution had superior
performance compared to traditional methods such as artificial neural networks and neuro-fuzzy systems when
the the validation dataset was used. The simulation results indicate the usefulness of the method and that it
may be easily converted into a real time application of fault prognosis.

Keywords Fault Prognostic, Particle Filters, Bayesian Inference

Resumo Este artigo trata o problema de predicao de falhas e de desgaste em maquinas CNC. Uma aborda-
gem baseada em filtro de partculas e usada e comparada com abordagens classicas de predicao. A contribuicao
do trabalho e avaliar a robustez do filtro de partculas no que diz respeito ao rudo e a incerteza em modelos
de sistemas e de medicao em maquinas CNC. A solucao encontrada usando o filtro de partculas mostrou-se
superior aos metodos tradicionais, como as redes neurais artificiais e os sistemas neuro-fuzzy, no conjunto de
dados utilizado na etapa de validacao. Os resultados desse estudo indicam a utilidade do metodo e que este pode
ser facilmente convertido em uma aplicacao em tempo real para prognostico falha.

Palavras-chave Prognostico de Falhas, Filtro de Partculas, Inferencia Bayesiana

1 Introducao tres categorias principais: baseado em modelos f-

sicos, baseado em dados e modelos hbridos (An
et al., 2013). As abordagens baseadas na f-
Os conceitos de diagnostico e prognostico podem
sica do processo utilizam modelos analticos que
ser aplicados na engenharia para prever o estado
descrevem o comportamento de um sistema; es-
de um sistema industrial, ou mesmo um compo-
ses modelos, geralmente, sao altamente especfi-
nente, utilizando dados historicos de parametros
cos (Sikorska et al., 2011). Alguns exemplos bem
mensuraveis. Como resultado da crescente quan-
conhecidos foram discutidos em (Ray and Tangi-
tidade de maquinas interligadas no processo de
rala, 1996), (Li and Lee, 2005), (Oppenheimer and
controle, as industrias sao forcadas a procurar no-
Loparo, 2002), (Kacprzynski et al., 2004), (Yin
vas maneiras de lidar com os riscos de uma falha
et al., 2008). As abordagens baseadas em da-
inesperada. As metodologias utilizadas no prog-
dos encontram o modelo de sistema(s) atraves de
nostico ja nao podem depender apenas de opera-
um historico de dados previamente coletados (Sun
dores humanos, pois suas decisoes em relacao a
et al., 2012). Esta metodologia costuma utilizar
sistemas complexos nao sao suficientemente con-
metodos estatsticos e/ou ferramentas de inteli-
fiaveis (Venkatasubramanian et al., 2003). Por-
gencia computacional. A analise de series tem-
tanto, e necessario que se busquem novas aborda-
porais, por exemplo, em dados de degradacao foi
gens para a realizacao do prognostico que consi-
utilizada em (Wang et al., 2012) para previsao de
gam lidar com a grande quantidade de variaveis
falhas em uma maquina eletrica. Em (Boskoski
presentes nestes sistemas.
et al., 2015), (Yan et al., 2004) sao discutidas as
Os modelos de prognostico sao divididos em
utilizacoes de modelos de processos Gaussianos
e modelos auto-regressivos na determinacao da
vida util remanescente (Remaining Useful Life -
RUL). Ja os filtros de partculas, objeto de estudo
do presente trabalho, sao utilizados em (Vasan
et al., 2013) onde e apresentada a classificacao
de falhas no instante atual em circuitos analogi-
cos e, posteriormente, adota o filtro para predizer
a RUL p passos a frente. De forma semelhante,
(Liao, 2014) tambem emprega o filtro para prever
a RUL em rolamentos apos identificar o estagio
atual da falha com Programacao Genetica. Tam-
bem em conjunto com os metodos de inteligen-
cia computacional, os filtros de partculas foram
usados recentemente em (Pang et al., 2015) e em
(Pang et al., 2013) onde os autores representam o
espaco de estados como um modelo ARMA e como
uma rede neural recorrente, respectivamente. Um
tutorial com aplicacao do filtro de partculas para
prognostico e proposto em (An et al., 2013) para
estimar os parametros de um modelo de degrada-
cao da vida util de baterias.
Neste artigo, uma abordagem baseada em fil-
tro de partculas e testada em dados extrados de
uma maquina de comando numerico (Computer
Numerical Control - CNC )(PHM Society Confe-
rence Data Challenge, 2010). Um modelo emprico
da progressao do nvel de desgaste e aplicado na
predicao do estado de vida util do equipamento.
Porem, de forma diferente de (An et al., 2013),
a medicao do nvel de desgaste nao e obtida di-
retamente e os resultados foram comparados com
metodos classicos da literatura.
O restante do artigo esta organizado da se-
guinte maneira: a Secao 2 trata dos filtros de par-
tculas, na Secao 3 apresenta-se a base de dados
utilizada, na Secao 4 e proposta a metodologia, os
resultados e as discussoes e finalmente na Secao 5
as conclusoes do artigo.
2 Filtro de Partculas
Na literatura existem diversos tipos de filtros re-
cursivos para lidar com a inferencia/extracao de
alguma informacao nao conhecida a partir de ob-
servacoes. Em especial, os filtros de partcu-
las, como mencionado em (Doucet and Johan-
sen, 2009), se tornaram uma classe popular e im-
portante para resolver problemas dessa natureza.
Os Filtros de Partculas (FP) usam simula-
cao de Monte Carlo para gerar trajetorias em um
espaco de estados e entao incorporar a informa-
cao da medicao utilizando inferencia Bayesiana.
Sao metodos normalmente indicados para proble-
mas nao-lineares e nao-Gaussianos (Arulampalam
et al., 2002).
Muitas variacoes de filtros de partculas estao
disponveis. Porem, para o presente trabalho, foi
utilizado o filtro do tipo bootstrap, que consiste em
sua versao mais simples (Chen, 2003).
A Equacao 1 modela a evolucao da sequencia
de estados, (xk , k N), dada por:
xk = fk (xk-1 , Wk-1 ) , k 1 (1)
onde xk representa o vetor de estados, fk e uma
funcao nao-linear do estado xk-1 , Wk-1 , k N, e
uma sequencia i.i.d do rudo de processo. O obje-
tivo e estimar recursivamente o estado xk a partir
das medicoes yk . O modelo de medicao pode ser
descrito como:
yk = hk (xk , vk ) , (2)
onde hk e um funcao possivelmente nao-linear que
representa a relacao entre a medicao e os estados
e vk , k N, e uma sequencia i.i.d do rudo de
medicao. Alem disto, x0 , vk e wk sao mutualmente
independentes.
A Equacao 1 caracteriza a probabilidade de
transicao dos estados, p(xk |xk-1 ), enquanto a
Equacao 2 descreve a probabilidade p(yk |xk ) que
esta relacionada ao modelo de medicao. Buscam-
se entao estimativas de xk baseadas no conjunto
de medicoes disponveis y1:k = yi , i = 1, ..., k ate
o instante k. A partir da distribuicao a priori
p(x0 ), a distribuicao a posteriori p(xk |y1:k ) e ob-
tida recursivamente em duas etapas: predicao e
atualizacao.
Dada a probabilidade p(xk-1 |y1:k-1 ) em um
instante k, o passo de predicao aplica a equacao de
Chapman-Kolmogorov ao modelo de estado para
obter a probabilidade a priori no instante k:
Z
p(xk |y1:k-1 ) = p(xk |xk-1 )p(xk-1 |y1:k-1 )dxk-1 .
(3)
O passo de atualizacao e alcancado pela apli-
cacao do teorema de Bayes:
p(yk |xk )p(xk |y1:k-1 )
p(xk |y1:k ) = , (4)
p(yk |y1:k-1 )
onde p(xk |y1:k1 ) define a probabilidade a priori,
p(yk |xk ) e a verosimilhanca dada pelo modelo de
medicao (Equacao 2) e o denominador refere-se a
constante de normalizacao que representa a evi-
dencia.
Essa abordagem define a solucao Bayesiana.
No entanto, nem sempre e possvel determina-la
analiticamente, exceto quando o sistema e linear
e as distribuicoes sao Gaussianas, como e o caso
do filtro de Kalman. Por outro lado, os filtros de
partculas nao requerem qualquer hipotese sobre
a forma da funcao de densidade de probabilidade
(pdf ) do vetor de estados.
Para ilustar os detalhes do algoritmo, suma-
Np
rizado na Tabela 1, considere que {xi0:k , Wki }i=1
representam valores que caracterizam a funcao
de densidade de probabilidade (pdf ) p(x0:k |y1:k ),

Tabela 1: Filtro Boostrap
(i) (i)
Gere partculas x0 p(x0 ), W0 = N1p ,
i = 1, ..., Np .
Para os passos k = 0, 1, 2, ...
(i) (i)
Gere partculas xk p(xk |xk1 ),
i = 1, ..., Np , de acordo com a Eq. 1.
(i)
Calcule os pesos Wki = Wk1 p(yk |xik )
de acordo com a Eq. 2.
(i) Wk
Normalize os pesos Wk = PNp
j=1 Wk
Existem varias tecnicas de reamostragem,
como apresentado em (Chen, 2003), cujo obje-
tivo e gerar um novo conjunto de amostras substi-
tuindo as partculas com pesos triviais e duplicar
amostras com pesos maiores. Para o presente tra-
balho utilizou-se a tecnica de reamostragem sis-
tematica, cujo objetivo e minimizar a variancia
das partculas replicadas. Essa abordagem tam-
bem possui menor esforco computacional O(Np )
(i) (Chen, 2003).
(j) .

Calcule uma medida de degeneracao, Nef f ,

3 Base de Dados
de acordo com a Eq. 7.
Se Nef f < NT , onde NT e um limiar.
O objetivo principal deste trabalho e a previsao da
Gere Np novas partculas por reamos-
condicao de saude de uma maquina de comando
tragem a partir do conjunto atual
numerico (CNC). Essas previsoes podem ser uti-
de partculas.
(i) lizadas para diminuir os custos de manutencao e
Faca Wk = N1p aumentar a produtividade da maquina. Para al-
Fim-se. cancar este objetivo, e necessaria a previsao do
Fim-para. desgaste da fresa antes que os cortadores atinjam
seu limite de desgaste (Tobon-Mejia et al., 2012).
A base de dados Prognostic Data Challenge
onde Np e o numero de partculas, xi0:k , i =
2010 (PHM Society Conference Data Challenge,
0, ..., Np e um conjunto de amostras com pesos as-
2010) foi disponibilizada pela Sociedade de Prog-
sociados Wki , i = 1, ..., Np e x0:k = xj , j = 0, ..., k
nostico e Gerenciamento de Saude (PHM Society)
e o conjunto de estados ate o instante k.
e contem dados historicos de uma fresadora CNC
Conforme mostrado na Tabela 1, os pesos sao
de alta velocidade com tres cortadores (Roders
calculados pela Eq. 6(Arulampalam et al., 2002)
Tech RFM760) utilizados ate um estagio de des-
e normalizados. A densidade a posteriori no ins-
gaste significante.
tante k pode ser aproximada por:
Os dados foram obtidos atraves de um cartao
Ns
X de aquisicao de dados do dinamometro, para me-
p(x0:k |y1:k ) Wki (x0:k xi0:k ) , (5) dir a forca dos cortes nas tres dimensoes X, Y e Z;
i=1 dos acelerometros, que mediram a vibracao tam-
bem em tres dimensoes, e do sensor de emissao
onde (.) e o delta de Dirac e os pesos Wki podem
acustica para monitorar o estresse de alta frequen-
ser atualizados usando a seguinte relacao:
cia gerado pelo processo de corte (Li et al., 2009).
O conjunto de dados do desafio contem seis
Wki = Wk-1
i
p(yk |xik ). (6)
experimentos, nomeados de c1 , c2 , ..., c6 , com 315
Um aspecto importante que ocorre com cortes individuais cada. No entanto, apenas tres
frequencia nos filtros de partculas e o efeito da experimentos (c1 , c4 e c6 ) contem a medicao do
degeneracao, onde a maioria das particulas pos- nvel de desgaste. Para compor esses registros,
suem pesos insignificantes, devido ao aumento da as tres fresas disponveis na maquina realizaram
variancia dos pesos ao longo do tempo. A des- os cortes em pecas identicas. Em cada corte, os
vantagem reside no grande esforco computacio- dados obtidos pelo dinamometro, acelerometros e
nal para atualizar pesos com valores triviais. A sensor acustico foram gravados.
tecnica de reamostragem pode ser feita para evi-
tar a atualizacao de partculas que contribuem
pouco para p(xk |y1:k ). Ela pode ser realizada 3.1 Extracao de caractersticas
sempre entre os passos de amostragem ou, con-
Os dados dos sensores foram processados para ve-
forme mencionado em (Arulampalam et al., 2002)
rificar se eles podem representar a informacao de
e (Chen, 2003), pode-se utilizar uma medida de
desgaste, que nao pode ser obtida diretamente
degeneracao, Nef f , para nortear a reamostragem
em funcionamento normal. Dos dados brutos fo-
quando o numero efetivo de partculas se torna
ram extradas caractersticas, da seguinte forma
menor que um limiar, NT , conforme apresentado
(Tobon-Mejia et al., 2012):
na Equacao 7.
1 Dinamometro: valor quadratico medio (Root
Nef f = PNs , (7) Mean Square - RMS ), pico (valor maximo)
i 2
i=1 (Wk ) e desvio padrao (std). Cada medida foi ex-
onde Wki pode ser calculado pela Equacao 6. trada para cada eixo, totalizando 9 colunas.
 Acelerometro: RMS e curtose. Cada medida
foi extrada para cada eixo, totalizando 6 co-
lunas.
Emissao acustica: media e desvio padrao, to-
talizando 2 colunas.
Para as 17 caractersticas extradas foi calcu-
lado o coeficiente de correlacao com relacao ao n-
vel de desgaste. Para melhorar a confiabilidade da
predicao, optou-se por comparar com o valor ma-
ximo de desgaste entre as tres fresas, visto que o
objetivo e interromper a maquina para manuten-
cao preditiva ao se atingir um limiar. A Tabela 2
apresenta o resultado do calculo do coeficiente.
Forca
X Y
RMS 0.79 0.98 0.97
Pico 0.89 0.95 0.96
std 0.97 0.98 0.97
Media
Curtose
Tabela 2: Coeficiente de correlacao de cada carac-
terstica em relacao ao nvel de desgaste.
Os maiores valores na Tabela 2 significam
maior correlacao com o nvel de desgaste. A Fi-
gura 1 mostra a caracterstica 10 (RMS da vibra-
cao no eixo X) com relacao ao nvel de desgaste.
0.22
0.2
0.18
RMS da vibracao no eixo Y
0.16
0.14
0.12
0.1
0.08
0.06
40 60
Figura 1: Caracterstica 10 versus o nvel de des-
gaste
Neste artigo foram testadas as caractersticas
que apresentaram os maiores valores de correlacao
com o desgaste. A caracterstica 10 (RMS da Vi-
bracao no eixo X) obteve os melhores resultados,
como sera mostrado na secao 4.2.
4 Resultados e Discussao
Para avaliar o comportamento do filtro de part-
culas utilizou-se a base de dados apresentada na
secao 3. O objetivo do trabalho e entao inferir
o valor do desgaste, com base apenas no RMS da
vibracao extrado das medicoes dos sensores, visto
que a medida de desgaste nao pode ser obtida di-
retamente.
4.1 Modelo
O modelo emprico adotado de transicao de esta-
dos com estimacao de estados e de parametros e
dado por:
xk = exp (ck-1 )xk-1 + w1(k)
(8)
ck = ck-1 + w2(k) ,
onde xk e o nvel de desgaste, ck-1 e parametro do
modelo a ser encontrado e w(k) representa o rudo
gaussiano branco do modelo.
Vibracao Emissao Assumiu-se que a caracterstica possui valor
Z X Y Z acustica proporcional ao desgaste, conforme Equacao 9.
0.96 0.96 0.96
0.36 log(yk ) = b0 + log(xk )b1 + vk , (9)
0.59
0.71 0.44 0.84 onde yk e a medicao obtida no instante k (RMS
da vibracao no eixo X), b0 = 7.62385 e b1 =
1.16725, obtidos por regressao linear dos dados, e
vk e o rudo de medicao com variancia 0.013.
4.2 Experimentos
Esta secao mostra os resultados experimentais ob-
tidos e comparados com um sistema de inferen-
cia Fuzzy (Adaptive-Network-Based fuzzy Inter-
face System - ANFIS ) (Jang and Sun, 1997) e
uma rede neural artificial (RNA) (Haykin, 1998),
modelos amplamentes estabelecidos na literatura
e que serao utilizados para comparacao com o fil-
tro de partculas.
Utilizou-se o ambiente Matlab 2013 com suas
funcoes para Redes Neurais, ANFIS e regressao
linear (obtencao dos parametros da Eq. 9). A ar-
quitetura da rede neural, do tipo feedforward, con-
sistiu em 3 neuronios na camada escondida e trei-
namento com algoritmo de Levenberg-Marquardt.
Para o sistema de inferencia Fuzzy do tipo sugeno,
80 100 120 140 160 180 adotou-se 3 de funcoes de pertinencia (gbellmf ) e
Nvel de desgaste
maximo de 100 epocas.
Para os resultados apresentados na Tabela
3, foram utilizados dois experimentos c1 (expe-
rimento 1) e c4 (experimento 4), no entanto, o
ultimo foi fornecido aos metodos apenas como va-
lidacao e, para este caso, o nvel de desgaste foi
considerado desconhecido.
Como criterios de comparacao foram utiliza-
dos o erro quadratico medio (RMSE) e erro per-
centual medio (MAPE). Os resultados correspon-
dem a media de cada criterio em 30 execucoes.
Os parametros de ajuste do FP consistem de
50 partculas; NT = 0.9; rudo de modelo esti-
mado empiricamente, w1 = 0.1 e w2 = 0.001;
e rudo de medicao estimado por regressao linear,
v = 0.11. Alem disto, foi utilizada a reamos-
tragem sistematica(Chen, 2003). A estimativa da
mediana do valor predito se comportou melhor
como estimativa do estado xk que a media. Apos
220
a simulacao para c1 , o parametro c = 0.0043 foi
Desgaste real
200
encontrado com base nos dados e entao utilizado Desgaste predito
IP 95%
para validacao com c4 . 180

160
RNA ANFIS FP 140

Nvel de desgaste
c1 c4 c1 c4 c1 c4
120
RMSE 6.67 22.49 6.33 19.86 11.25 11.99
MAPE 4.30 18.20 3.99 18.07 7.49 12.79 100

80
Tabela 3: Resultados comparativos.
60

40
A Tabela 3 mostra que o filtro de partculas
20
obteve melhores resultados que os modelos RNA
e ANFIS para os criterios analisados no experi- 0
0 50 100 150 200 250 300 350
mento c4 . Vale ressaltar que a formulacao do mo- Nmero do corte

delo de predicao levou em consideracao somente

o experimento c1 , sendo o experimento c4 inteira- Figura 3: Validacao com ANFIS
mente utilizado para validacao dos modelos.
A Figura 2 mostra o comportamento do mo-
delo RNA para predicao do desgaste na validacao
220
c4 . A Figura 3 mostra o comportamento do mo- Desgaste real
Desgaste predito
delo ANFIS para predicao do desgaste na valida- 200
IP 95%

cao c4 . A Figura 4 mostra o comportamento do 180

modelo PF para predicao do desgaste na valida- 160

cao c4 . Em todas as figuras tambem ha o intervalo 140

Nvel de desgaste

de predicao com 95% de confianca. Apesar de o

120
resultado do filtro de partculas tem-se mostrado
pior para a etapa de treinamento, ele ofereceu uma 100

melhor predicao do desgaste para o experimento 80

de validacao, com menos sensibilidade as oscila- 60

coes dos dados dos sensores e dentro do intervalo

40
de predicao.
20
0 50 100 150 200 250 300 350
Nmero do corte
220
Desgaste real
200 Desgaste predito
IP 95%
180 Figura 4: Validacao com Filtro de Partculas
160

140
equipamento a partir dos dados disponveis de sen-
Nvel de desgaste

120

100
sores. Alem disso, a abordagem pode ser aplicada
80
em modo on-line e em tempo real apos o ajuste do
60
modelo, como pode ser visto no experimento c4 .
40

20 Agradecimentos
0
0 50 100 150 200 250 300 350
Nmero do corte
Os autores agradecem o suporte financeiro da FA-
PEMIG e CNPq (processo 157280/2014-4).
Figura 2: Validacao com Redes Neurais
Referencias

An, D., Choi, J. H. and Kim, N. H. (2013). Op-

5 Consideracoes Finais tions for prognostics methods: A review of
data-driven and physics-based prognostics,
O presente trabalho apresentou o filtro de part- 54th AIAA/ASME/ASCE/AHS/ASC Struc-
culas como metodo capaz de fazer a predicao das tures, Structural Dynamics, and Materials
condicoes de desgaste de uma maquina CNC. Os Conference, American Institute of Aeronau-
resultados comparativos com uma rede neural ar- tics and Astronautics.
tificial e um sistema de inferencia Fuzzy mostra-
ram a melhor capacidade do filtro de partculas Arulampalam, M., Maskell, S., Gordon, N. and
em prever um valor desconhecido de desgaste do Clapp, T. (2002). A tutorial on particle fil-
 ters for online nonlinear/non-Gaussian Baye-
sian tracking, IEEE Transactions on Signal
Processing 50(2): 174188.
Boskoski, P., Gasperin, M., Petelin, D. and Ju-
ricic, D. (2015). Bearing fault prognostics
using renyi entropy based features and gaus-
sian process models, Mechanical Systems and
Signal Processing 52-53: 327337.
Chen, Z. (2003). Bayesian filtering: From kalman
filters to particle filters, and beyond, Techni-
cal report, McMaster University.
Doucet, A. and Johansen, A. M. (2009). A tutorial
on particle filtering and smoothing: fifteen
years later, Handbook of Nonlinear Filtering
10: 656704.
Haykin, S. (1998). Neural Networks: A Com-
prehensive Foundation, 2 edn, Prentice Hall
PTR, Upper Saddle River, NJ, USA.
Jang, J.-S. R. and Sun, C.-T. (1997). Neuro-fuzzy
and Soft Computing: A Computational Ap-
proach to Learning and Machine Intelligence,
Prentice-Hall, Inc., Upper Saddle River, NJ,
USA.
Kacprzynski, G. J., Sarlashkar, A., Roemer, M. J.,
Hess, A. and Hardman, B. (2004). Predicting
remaining life by fusing the physics of failure
modeling with diagnostics, JOM 56(3): 29
35.
Li, C. J. and Lee, H. (2005). Gear fati-
gue crack prognosis using embedded model,
gear dynamic model and fracture mechanics,
Mechanical Systems and Signal Processing
19(4): 836846.
Li, X., Lim, B., Zhou, J., Huang, S., Phua, S.,
Shaw, K. and Er, M. (2009). Fuzzy neural
network modelling for tool wear estimation
in dry milling operation, Annual Conference
of the Prognostics and Health Management
Society, PHM Society.
Liao, L. (2014). Discovering prognostic features
using genetic programming in remaining use-
ful life prediction., IEEE Transactions on In-
dustrial Electronics 61(5): 24642472.
Oppenheimer, C. H. and Loparo, K. A. (2002).
Physically based diagnosis and prognosis of
cracked rotor shafts, in P. K. Willett and
T. Kirubarajan (eds), Component and Sys-
tems Diagnostics, Prognostics, and Health
Management II, SPIE.
Pang, C. K., Zhou, J.-H. and Yan, H.-C. (2013).
Pdf and breakdown time prediction for unob-
servable wear using enhanced particle fil-
ters in precognitive maintenance, 9th Annual
Conference of the IEEE Industrial Electro-
nics Society (IECON 2013) .
Pang, C. K., Zhou, J. and Yan, H. (2015). PDF
and breakdown time prediction for unobser-
vable wear using enhanced particle filters in
precognitive maintenance, IEEE T. Instru-
mentation and Measurement 64(3): 649659.
PHM Society Conference Data Challenge
(2010). https://www.phmsociety.org/
competition/phm/10.
Ray, A. and Tangirala, S. (1996). Stochastic mo-
deling of fatigue crack dynamics for on-line
failure prognostics, IEEE Transactions on
Control Systems Technology 4(4): 443451.
Sikorska, J., Hodkiewicz, M. and Ma, L. (2011).
Prognostic modelling options for remaining
useful life estimation by industry, Mechanical
Systems and Signal Processing 25(5): 1803
1836.
Sun, J., Zuo, H., Wang, W. and Pecht, M. G.
(2012). Application of a state space mode-
ling technique to system prognostics based
on a health index for condition-based main-
tenance, Mechanical Systems and Signal Pro-
cessing 28: 585596.
Tobon-Mejia, D., Medjaher, K. and Zerhouni, N.
(2012). CNC machine tool's wear diagnos-
tic and prognostic by using dynamic baye-
sian networks, Mechanical Systems and Sig-
nal Processing 28: 167182.
Vasan, A. S. S., Long, B. and Pecht, M. G. (2013).
Diagnostics and prognostics method for ana-
log electronic circuits., IEEE Transactions on
Industrial Electronics 60(11): 52775291.
Venkatasubramanian, V., Rengaswamy, R., Yin,
K. and Kavuri, S. N. (2003). A review of pro-
cess fault detection and diagnosis, Computers
& Chemical Engineering 27(3): 293311.
Wang, L., Zhang, H. and Xue, H. (2012). Fault
prognostics and reliability estimation of dc
motor using time series analysis based on de-
gradation data, Journal of Theoretical and
Applied Information Technology 45: 568572.
Yan, J., Koc, M. and Lee, J. (2004). A prognos-
tic algorithm for machine performance asses-
sment and its application, Production Plan-
ning & Control 15(8): 796801.
Yin, C. Y., Lu, H., Musallam, M., Bailey, C. and
Johnson, C. M. (2008). A physics-of-failure
based prognostic method for power modules,
2008 10th Electronics Packaging Technology
Conference, IEEE.