Development of prognostics and health management methods for engineering systems operating in evolving environments

Prognostics and Health Management (PHM) is a field of research and application aiming at detecting the degradation of engineering components, diagnosing the type of faults, predicting the failure time and proactively managing their failures. This PhD work addresses the problem of PHM in an Evolving Environment (EE) characterized by continuous or periodic modifications of the working conditions. The main difficulty in this context is that the information used to develop the PHM model are usually collected in a limited set of working conditions, not sufficiently representing all the possible conditions that may be experienced by the components during their lives. Thus, the general objective of this thesis is to develop an integrated framework for PHM in EE, which is capable of 1) extracting and selecting the features to be used by the PHM models; 2) detecting the occurrence of modifications (drifts) in the working conditions, and, then, adapting the PHM models to the EE; 3) assessing the performance of the developed PHM models in EE. The feature extraction and selection problem has been addressed by developing a novel semi-supervised approach whose originality is the combined use of labeled and unlabeled data collected in an EE. With respect to 2), an α surface reconstruction method is developed to detect the occurrence of drifts in the working conditions. Then, once a drift is detected, the diagnostic model is updated by using an approach based on the COMPacted Object Sample Extraction (COMPOSE) algorithm, firstly developed in the domain of stream data learning and modified in this PhD work to fulfil the requirements of fault diagnostics. With respect to the task of prognostics, a Particle Filter-Based approach has been developed for estimating the unknown effects of the working condition on the physics-based degradation model, and, simultaneously, predicting the Remaining Useful Life (RUL) of the engineering systems. The traditional particle filter is improved by using an Optimized Tuning Kernel Smoothing method, which is capable to overcome the problem of particle impoverishment and maintain the robustness of the degradation state estimation. Finally, a method for online assessing the performance of the RUL predictions, based on the use of moving windows of signal measurements, has been developed to inform the maintenance decision makers on how confident they can be about the obtained prognostic results. Different PHM applications have been considered to verify the proposed approaches: diagnosis of ball bearing defects and RUL prediction of Li-on batteries, turbine blades in energy production plants and aluminum electrolytic capacitor in fully electrical vehicles. The applications show that in case of modifications of the working conditions the proposed PHM methods allow obtaining more accurate and precise diagnostics and prognostics results than the conventional PHM approaches.

Prognostica e gestione di salute (Prognostics and Health Management, PHM) è un campo di ricerca e di applicazione che mira a rilevare la degradazione dei componenti di ingegneria, diagnosticare il tipo di guasti, prevedere il tempo di fallimento e la gestione proattiva dei loro fallimenti. Questo lavoro di dottorato affronta il problema di PHM in un ambiente in evoluzione (Evolving Environment, EE), caratterizzata da continui o periodiche modificazioni delle condizioni di lavoro. La difficoltà principale in questo contesto è che le informazioni utilizzate per sviluppare il modello PHM vengono normalmente raccolte in una serie limitata di condizioni di lavoro, le quali non sufficientemente rappresentano tutte le possibili condizioni che possono verificarsi nella vita reale dei componenti. Pertanto, l'obiettivo generale di questa tesi è lo sviluppo di un quadro integrato per PHM in EE, che è in grado di 1) estrarre e selezionare le caratteristiche da utilizzare dai modelli PHM; 2) rilevare l'insorgenza di modificazioni (derive) nelle condizioni di lavoro, e, quindi, adattare i modelli PHM a EE; 3) valutare le prestazioni dei modelli PHM sviluppati in EE. Il problema di estrazione e selezione delle caratteristiche è stato affrontato attraverso lo sviluppo di un nuovo approccio semi-supervisionato in cui i dati di addestramento etichettati vengono utilizzati insieme ai dati non etichettati raccolti nel EE. Per quanto riguardo a 2), un metodo di ricostruzione di superfici α è sviluppato per rilevare l’insorgenza di derive nelle condizioni di lavoro. Poi, una volta che viene rilevata una deriva, il modello diagnostico viene aggiornato utilizzando un approccio basato sul algoritmo di COMPacted Object Sample Extraction (COMPOSE), il quale dapprima è sviluppato nel campo dell’apprendimento dei dati a flusso e viene modificato in questo lavoro di dottorato per soddisfare i requisiti di diagnostica di fallimento. Per quanto riguarda il compito di prognostica, un approccio basato su filtro di particelle è stato sviluppato per stimare gli effetti sconosciuti della condizione di lavoro sul fisico-basato modello di degradazione, e, contemporaneamente, per prevedere la vita utile residua (Remaining Useful Life, RUL) del sistema di ingegneria. Il tradizionale filtro di particelle è migliorata utilizzando un metodo di Kernel Levigante di sintonia ottimizzata, che è in grado di superare il problema di impoverimento delle particelle e mantenere la robustezza della stima dello stato di degradazione. Infine, un metodo per valutare on-line le prestazioni della previsione di RUL, basato sull'uso di finestre in movimento per misurazioni del segnale, è stato sviluppato per informare i decisori di manutenzione su come sicuri possono essere circa i risultati prognostici ottenuti. Diverse applicazioni di PHM sono stati considerati per verificare gli approcci proposti: 1) diagnosi dei difetti dei cuscinetti a sfera e RUL previsione di Li-on batterie, pale di turbine in impianti di produzione di energia e condensatore elettrolitico in alluminio in veicoli completamente elettrici. Le applicazioni mostrano che nel caso di modifiche delle condizioni di lavoro i proposti metodi di PHM permettono di ottenere risultati di diagnostica e prognostica più accurati e precisi rispetto alle approcci convenzionali di PHM.