Remaining Useful Life Prediction of the Concrete Piston Based on Probability Statistics and Data Driven

Round 1

Reviewer 1 Report

This paper deals with a method for predicting the RUL of the concrete piston based on probability statistics and data driven methods. A life coefficient is proposed to link the actual life of individual concrete piston and the average useful life derived from actual replacement data of a set of concrete pistons. The life coefficient is considered to be mainly affect by load working state, and it is found that support vector regression could provide good estimation on the life coefficient. RUL of 325 concrete pistons are predicted using the proposed method.

The paper is easy to read and understand, the application medium is representative of the defects and degradation that can be encountered in industrial systems. The results obtained show the effectiveness of the proposed approach.

1) In my opinion, the originality of the paper lies mainly in Equation 1, which is original, But the identification of M0, Mt and alpha has not been discussed in depth although it is an important point of the paper.

2) Figure 3 shows a relatively linear dynamic. Why did the authors choose a gamma process for the modeling? Why not a Wiener process which is more suited to linear dynamics.

3) The offline part which is intended for the identification (construction) of the prediction model is rich and makes good use of the available information. But online, new information is coming in but not being exploited in the proposed approach. This information is used by an online update of the parameters of the prediction model. Authors can enrich the introduction by adding works that propose updating techniques with a comparative analysis such as for example: Fault diagnosis and prognosis based on physical knowledge and reliability data: application to MOS Field Effect Transistor". (2020). Microelectronics Reliability. V. 110. 113682. 


4) The introduction can be enriched by review papers on the prognosis of failures: for example: Machinery health prognostics: A systematic review from data acquisition to RUL prediction Mechanical Systems and Signal Processing 104 (2018) 799–834.

Author Response

Response 1: , which is the real-time working life of the concrete piston，can be obtained from the condition monitoring data.  has been discussed in "2.2. The average useful life of the concrete piston", we use Weibull distribution to calculate  according to the replacement information data of the concrete piston. "α", which is the main innovation of this paper, has been discussed in depth in "2.3. The life coefficient of the concrete piston".

Response 2: Figure 5(Original Figure 3) shows the fitting results of the parameters of Weibull distribution. In this paper, Weibull distribution and gamma process are selected according to the research results of the paper "Fatigue Residual Life Reliability Prediction Method Based on Weibull Distribution. Journal of Machine Design, 2011, 28(7):50-54.".

Response 3&4: Please see the attachment

Author Response File: Author Response.docx

Reviewer 2 Report

Autorzy przedstawili manuskrypt dotyczący przewidywania pozostałego okresu użytkowania użytecznego tłoka betonowego w oparciu o statystyki prawdopodobieństwa i oparte na danych. 

Nie mam uwag do wprowadzenia. Jedyną rzeczą porządkową, którą chciałbym zasugerować, jest sprawdzenie wymagań czasopisma i poprawne wpisanie odnośników do literatury. 

Autorzy opisują sposób zbierania danych, wspominając o braku niektórych danych. Czy autorzy mogli jednoznacznie wskazać, jakich danych nie uwzględniono w badaniu i dlaczego nie było to możliwe? 

Autorzy informują o kilku funkcjach rozkładu prawdopodobieństwa: rozkład wykładniczy, rozkład normalny, rozkład lognormalny 149, rozkład Weibulla itp. Dlaczego ostatecznie wybrano rozkład Weibulla? Proszę to uzasadnić. Patrz rozdział 2.2.

Tylko wybrane wyniki przedstawiono w tabeli 3. Czy autorzy mogli uzupełnić dane w osobnym dokumencie? 

W pkt 2.3.1, 2.3.2 i 2.3.3. autorzy przedstawili opis zaczerpnięty z literatury. Opis jest bardzo ubogi. Proszę rozwinąć tę sekcję, wyjaśniając, dlaczego wybrane algorytmy zostały wybrane i w jaki sposób zostały użyte w badaniu.

Proszę zacząć punkt od dużej litery. Patrz sekcja 3.

Podpisy pod rysunkami są chaotyczne i nieuporządkowane. Sprawdź wymagania dotyczące czasopisma. Rozszerz podpis pod ryciną nr 8.

Analiza wyników nie obejmuje analizy. Sprawdź linię 223-228. Przedstawiono wyniki, ale brak opisu. Musisz przeanalizować uzyskane dane. 

Zarówno część wyników badań, jak i wnioski podlegają znacznej poprawie. 

 

 

Author Response

Point 1: Jedyną rzeczą porządkową, którą chciałbym zasugerować, jest sprawdzenie wymagań czasopisma i poprawne wpisanie odnośników do literatury. 

Response 1: Zmodyfikowano，Zapoznaj się z załącznikiem

 

Point 2: Autorzy opisują sposób zbierania danych, wspominając o braku niektórych danych. Czy autorzy mogli jednoznacznie wskazać, jakich danych nie uwzględniono w badaniu i dlaczego nie było to możliwe? 

Response 2: Dane z artykułu pochodzą z danych szeregów czasowych zebranych przez czujnik na ciężarówce z pompą do betonu, co spowoduje brak niektórych danych z powodu błędu szeregów czasowych czujnika lub problemu transmisji sygnału.  Na przykład w przypadku niektórych oryginalnych danych pokazanych na rysunku 3 w tym artykule przyjęto podejście prawie zaludnione, a przetworzone dane przedstawiono na rysunku 4.  Zapoznaj się z załącznikiem

 

Point 3: Autorzy informują o kilku funkcjach rozkładu prawdopodobieństwa: rozkład wykładniczy, rozkład normalny, rozkład lognormalny 149, rozkład Weibulla itp. Dlaczego ostatecznie wybrano rozkład Weibulla? Proszę to uzasadnić. Patrz rozdział 2.2.

Response 3: W tym artykule rozkład Webble'a jest wybierany na podstawie odniesienia "metoda przewidywania niezawodności trwałości resztkowej zmęczenia w oparciu o rozkład Webble'a", to znaczy, że rozkład Webble'a ma wysoki stopień dopasowania i dobry wpływ na części, które mają oczywistą degradację przed ostateczną awarią  

 

Point 4: Tylko wybrane wyniki przedstawiono w tabeli 3. Czy autorzy mogli uzupełnić dane w osobnym dokumencie? 

Response 4: Dane, patrz dokument  “Appendix A”，Zapoznaj się z załącznikiem

 

Point 5: W pkt 2.3.1, 2.3.2 i 2.3.3. autorzy przedstawili opis zaczerpnięty z literatury. Opis jest bardzo ubogi. Proszę rozwinąć tę sekcję, wyjaśniając, dlaczego wybrane algorytmy zostały wybrane i w jaki sposób zostały użyte w badaniu.

Response 5: Ze względu na silną ujemną korelację między danymi próbki a małą objętością danych próbki wybiera się regresję wieloliniową, regresję wektora wsparcia i algorytm regresji lasu losowego o lepszej wydajności przewidywania.  W praktyce Python jest używany do programowania, a odpowiedni zestaw narzędzi jest wywoływany do obliczeń, analizy i rysowania.  

 

 

Point 6: Proszę zacząć punkt od dużej litery. Patrz sekcja 3.

Response 6: Zmodyfikowano，Zapoznaj się z załącznikiem

 

 

Point 7: Podpisy pod rysunkami są chaotyczne i nieuporządkowane. Sprawdź wymagania dotyczące czasopisma. Rozszerz podpis pod ryciną nr 8.

Response 7: Zmodyfikowano，Zapoznaj się z załącznikiem

 

Point 8: Analiza wyników nie obejmuje analizy. Sprawdź linię 223-228. Przedstawiono wyniki, ale brak opisu. Musisz przeanalizować uzyskane dane. 

Response 8: Analiza i obserwacja wykazały, że SVR miał najlepszy efekt przewidywania i został zweryfikowany poprzez obliczenie wartości RMSE.  

 

Point 9: Zarówno część wyników badań, jak i wnioski podlegają znacznej poprawie. 

Response 9: Praca w tym artykule polega na zaproponowaniu oryginalnego wzoru (1) łączącego rzeczywistą żywotność pojedynczego tłoka ze średnią żywotnością wynikającą z rzeczywistych danych dotyczących wymiany grupy tłoków. U waża się, że na czynnik życia wpływa głównie stan roboczy obciążenia i stwierdzono, że regresja wektora podporowego może być dobrym współczynnikiem oczekiwanej długości życia poprzez porównanie efektów predykcyjnych trzech algorytmów.  Wreszcie, analizując dokładność przewidywania różnych etapów żywotności, stwierdzono, że efekt przewidywania jest najlepszy, gdy żywotność osiąga 80% i jest wykorzystywany jako podstawa do prewencyjnej wymiany i zarządzania zapasami.  

Zapoznaj się z załącznikiem

Author Response File: Author Response.docx

Reviewer 3 Report

The article deals with already known statistical issues. The described data analysis methodologies are also known. The authors did not contribute anything scientific to the article.

Despite the installation of an increasing number of sensors and monitoring the degree of wear of many systems and their components, there are still a large number of elements whose usability status is determined in a binary manner - efficient / inoperative

There is widespread interest in statistical methods in operational and surveillance research. Here, the Weibull distribution is important. It has some imperfections, but nevertheless illustrates well the versatility of this distribution, as well as the fact that to this day it is very often used to model specific phenomena.

The method of probability plots for the Weibull distribution is only one of the methods allowing to determine the parameters and verify whether it is a distribution of this type at all. Nevertheless, it is an extremely intuitive method which graphically shows the relationship between the measurement data and the Weibull distribution.

The SVM support vector method performs classification tasks by constructing hyperplanes in a multidimensional space, separating cases belonging to different classes. A method with a wide range of applications.

Critical comments to the article below:

1. Why did the authors adopt the Weibull distribution in the research?
2. The basis for the formulation of the SVM system learning problem in the regression approach is the definition of the error function minimized in the adaptation process. What is the function?

The results confirmed the usefulness of the methodology of research and allowed to draw important conclusions on the impact of analyzed factors on the technical wear.

Author Response

Response 1: In this paper, Weibull distribution are selected according to the research results of the paper "Fatigue Residual Life Reliability Prediction Method Based on Weibull Distribution. Journal of Machine Design, 2011, 28(7):50-54.". Figure 5(Original Figure 3) shows the fitting results of the parameters of Weibull distribution, the fitting error is not higher than 0.056.

Response 2:Ensure the existence of global minimum solution and the optimization of reliable generalization bounds.

Round 2

Reviewer 2 Report

I appreciate the large amount of authors work to improve the manuscript. The authors presented more data for which I am grateful. The results and summary have still not been improved. In Conclusion Please call up your new solution and results. Refer to the works of other authors and indicate the novelty of your research.