Estimating the remaining useful life (RUL) of an asset lies at the heart of prognostics and health management (PHM) of many operations-critical industries such as aviation. Mod- ern methods of RUL estimation adopt techniques from deep learning (DL). However, most of these contemporary tech- niques deliver only single-point estimates for the RUL without reporting on the confidence of the prediction. This practice usually provides overly confident predictions that can have severe consequences in operational disruptions or even safety. To address this issue, we propose a technique for uncertainty quantification (UQ) based on Bayesian deep learning (BDL). The hyperparameters of the framework are tuned using a novel bi-objective Bayesian optimization method with objectives the predictive performance and predictive uncertainty. The method also integrates the data pre-processing steps into the hyperparameter optimization (HPO) stage, models the RUL as a Weibull distribution, and returns the survival curves of the monitored assets to allow informed decision-making. We vali- date this method on the widely used C-MAPSS dataset against a single-objective HPO baseline that aggregates the two ob- jectives through the harmonic mean (HM). We demonstrate the existence of trade-offs between the predictive performance and the predictive uncertainty and observe that the bi-objective HPO returns a larger number of hyperparameter configurations compared to the single-objective baseline. Furthermore, we see that with the proposed approach, it is possible to configure models for RUL estimation that exhibit better or comparable performance to the single-objective baseline when validated on the test sets.
The objective of this report is to share the results of the test that we have made to evaluate the localization performance of the Spot robot across three scenarios, each featuring different velocities in both translation and rotation.
MULTIFILE
Knowing firefighters’ locations in a burning building would dramatically improve their safety. In this study from the Saxion Research Centre for Design and Technology in the Firebee project, an algorithm was developed and tested to enhance the estimation of a person’s location, based on inertial measurements combined with measurements of the earth’s magnetic field. The developed algorithm is an extension of the zero velocity update technique. Without any enhancements, the accuracy of the estimation is in the order of several meters after measuring for only a few seconds. With enhancements, the accuracy improved to be within five meters after measuring for ten minutes. Our result demonstrated that it is possible to determine in which room and on which floor a person is after ten minutes. Major improvements were observed in the estimation of the sensor’s height. The results are promising and the following phases of the project focus on improving the solution and on developing the concept into a practically applicable system.
MULTIFILE
Met het groeien van de gemiddelde levensverwachting is ook de uitdaging gegroeid om een ieder zo lang mogelijk een actieve deelnemer van de samenleving te laten zijn. Duurzame zelfstandige mobiliteit is van groot belang voor het functioneren in de samenleving (op werkplek en in thuisomgeving), draagt bij aan het sociaal functioneren en de algemene sociale cohesie. Goede controle over de (dynamische) balans speelt hierbij een grote rol, zijnde de balanshandhaving tijdens het voortbewegen, ook bij gezonde, jonge mensen een continue compromis tussen effectiviteit en veiligheid. Voor ouderen geldt dit nog sterker, daar de gevolgen van een val vele malen ernstiger zijn en ook een grote invloed hebben op de levensverwachting. Mechanismen van handhaving van de dynamische balans in praktische omstandigheden zijn nog grotendeels onbegrepen. Laboratoria staat vaak ver af van praktische condities van de alledaage praktijk. Moderne sensortechnologie opent momenteel een deur naar systematisch onderzoek naar valrisico’s in het dagelijkse leven, echter deze schiet nog te kort in haalbare accuratesse en stabiltiteit over langere metingen. In verschillende projecten wordt momenteel een nieuwe generatie van methoden onderzocht, met als centraal kenmerk hiervan dat bewegingsensoren niet meer als losse onderdelen functioneren, maar in samenhang worden gebruikt. Het kersverse INSTANT project, bijvoorbeeld, onderzoekt hoe huidige bewegingsensoren kunnen worden uitgebreid met een extra sensormodaliteit en ‘meta-datafusion’ algorithmen. Hierdoor kunnen de sensoren elkaars positie waarnemen en naar verwachting een orde meer accuraat meten op een manier die bovendien stabieler is over langere metingen. Aan iets vergelijkbaars wordt gewerkt door collega’s in Torino en Sassari, Italie, zij het met een andere type sensortechnologie. Dit KIEM project onderzoekt in hoeverre beide methoden (en beide onderzoeksclusters) elkaar kunnen versterken door intensief samen te werken. Het plaatsen van een Italiaanse onderzoeker in het INSTANT onderzoekscluster in Enschede gedurende grote delen van een jaar borgt deze samenwerking.
