The first recorded usage of the word reliability dates back to the 1800s, albeit referred to a person and not a technical system. Since then, the concept of reliability has become a pervasive attribute worth of both qualitative and quantitative connotations. In particular, the revolutionary social, cultural and technological changes that have occurred from the 1800s to the 2000s have contributed to the need for a rational framework and quantitative treatment of the reliability of engineered systems and plants. This has led to the rise of reliability engineering as a scientific discipline. In this paper, some considerations are shared with respect to a number of problems and challenges which researchers and practitioners in reliability engineering are facing when analyzing today's complex systems. The focus will be on the contribution of reliability to system safety and on its role within system risk analysis.

Reliable and accurate wind speed forecasting (WSF) is fundamental for efficient exploitation of wind power. In particular, high accuracy short-term WSF (ST-WSF) has a significant impact on the efficiency of wind power generation systems. Due to the non-stationarity and stochasticity of the wind speed (WS), a single model is often not sufficient in practice for the accurate estimation of the WS. Hybrid models are being proposed to overcome the limitations of single models and increase the WS forecasting performance. In this paper, a new hybrid WSF model is developed based on long short-term memory (LSTM) network and decomposition methods with grey wolf optimizer (GWO). In the pre-processing stage, the missing data is filled by the weighted moving average (WMA) method, the WS time series (WSTS) data are smoothed by WMA filtering and the smoothed data are used as model input after Z-score normalization. The forecasting model is formed by the combination of a single model, a decomposition method and an advanced optimization algorithm. Successively, the hybrid WSF model is developed by combining the LSTM and decomposition methods, and optimizing the intrinsic mode function (IMF) estimated outputs with a grey wolf optimizer (GWO). The developed non-linear hybrid model is utilized on the data collected from five wind farms in the Marmara region, Turkey. The obtained experimental results indicate that the proposed combined model can capture non-linear characteristics of WSTS, achieving better forecasting performance than single forecasting models, in terms of accuracy.

The objective of this paper is to provide a systematic view on the problem of vulnerability and risk analysis of critical infrastructures. Reflections are made on the inherent complexities of these systems, related challenges are identified and possible ways forward for their analysis and management are indicated. Specifically: the framework of vulnerability and risk analysis is examined in relation to its application for the protection and resilience of critical infrastructures; it is argued that the complexity of these systems is a challenging characteristic, which calls for the integration of different modeling perspectives and new approaches of analysis; examples of are given in relation to the Internet and, particularly, the electric power grid, as representative of critical infrastructures and the associated complexity; the integration of different types of analyses and methods of system modeling is put forward for capturing the inherent structural and dynamic complexities of critical infrastructures and eventually evaluating their vulnerability and risk characteristics, so that decisions on protections and resilience actions can be taken with the required confidence.

Remaining useful life (RUL) prediction has been increasingly considered in many industrial fields for the reliability and safety of their systems. As a data analysis tool of deep learning, deep convolutional neural network (CNN) shows great potential for RUL prediction. This paper proposes an intelligent RUL prediction method based on a double-CNN model architecture. Given the powerful feature extraction capability of CNN, the proposed method is fed with original vibration signals with no need to resort to any feature extractor, which can also retain the useful information in maximum. The prediction includes two stages: first, incipient fault point is identified by the first CNN model and a proposed “3/5” principle; then, the second CNN model is constructed for RUL prediction. In practice, RULs of identical components are different from each other, which poses a major challenge in RUL prediction. To overcome this problem, an intermediate reliability variable is first calculated in this paper, instead of directly predicting the RUL value. Then, a mapping algorithm is proposed to map reliability to RUL. To demonstrate the effectiveness of the proposed method, data of four tests of bearing degradation are utilized for RUL prediction. Compared with state-of-the-art methods, the proposed method shows higher prediction accuracy and robustness. The prediction results and evaluation indexes demonstrated the effectiveness and superiority of the proposed method.

We are performing the digital transition of industry, living the 4th industrial revolution, building a new World in which the digital, physical and human dimensions are interrelated in complex socio-cyber-physical systems. For the sustainability of these transformations, knowledge, information and data must be integrated within model-based and data-driven approaches of Prognostics and Health Management (PHM) for the assessment and prediction of structures, systems and components (SSCs) evolutions and process behaviors, so as to allow anticipating failures and avoiding accidents, thus, aiming at improved safe and reliable design, operation and maintenance. There is already a plethora of methods available for many potential applications and more are being developed: yet, there are still a number of critical problems which impede full deployment of PHM and its benefits in practice. In this respect, this paper does not aim at providing a survey of existing works for an introduction to PHM nor at providing new tools or methods for its further development; rather, it aims at pointing out main challenges and directions of advancements, for full deployment of condition-based and predictive maintenance in practice.