Advanced model-based and data-driven methods for prognostics and health management of industrial systems

Prognostics and Health Management (PHM) is a field of research and application aiming at detecting the degradation onset of industrial equipment, diagnosing its malfunctioning and predicting its failure time in order to increase the whole system reliability and safety and reduce its maintenance costs. PHM relies on diverse sources of information such as physics knowledge of the degradation process, statistical data on failure times of similar components and data collected through sensors placed on the monitored component which measure signals related to the component behavior and its working and environmental conditions. The available information is used for evaluating the equipment degradation state and predicting its Remaining Useful Life (RUL), thus enhancing the decision making process which is expected to result in the definition of the optimal time instant in which the maintenance intervention has to be performed. Typically, different industrial applications are characterized by the availability of different sources of information, thus needing to be tackled with suited PHM approaches. Furthermore, modern industrial systems work under variable operating conditions, which are expected to affect the component degradation process and to modify the variation ranges of the monitored signals, thus masking the degradation trends and complicating the development of accurate PHM methods. According to this, the main challenge addressed by this Ph.D. thesis regards the development of PHM methods for industrial systems under variable operating conditions, taking into account the specific setting of practical challenges and available information, which are categorized in terms of knowledge of the system physical behavior, availability of the estimate of the future operating conditions profile and amount of available historical run-to-failure degradation trajectories of similar components. Three general cases of information available for the PHM model development in practical industrial contexts are considered in this Ph.D. research: i) large knowledge of the system behavior in the form of a physics-based model of the degradation process, availability of estimates of the future operating conditions profile and of their effects on the degradation process, and few available data from historical run-to-failure component degradation trajectories; ii) low knowledge of the system behavior, estimation of the future operating conditions profile not available and few available run-to-failure trajectories; iii) low knowledge of the system behavior, available estimate of the future operating conditions profile and of their effects on the degradation process, and large amount of data from run-to-failure trajectories. With respect to case i), we resort to a model-based prognostic approach for components working under variable operating conditions. The available physics-based degradation model of the component is embedded into a Particle Filter (PF) framework for the estimate of the component degradation state and into a Monte Carlo approach for the prediction of its RUL and the quantification of the associated uncertainty. In this case, the novelty introduced in this Ph.D. thesis is the definition of a novel component degradation indicator which is independent from the operating conditions. The performance of the developed approach is evaluated with respect to an experimental case study regarding the RUL prediction of electrolytic capacitors working under variable operating conditions in Fully Electric Vehicles (FEVs), which are responsible for almost 30% of the total number of failures in motor powertrain. With respect to case ii), we develop a data-driven degradation classifier for components working under variable operating conditions. The developed classification model is based on the use of an ensemble of Self-Organizing Maps (SOMs), which allows handling typical industrial signals characterized by large noise and by the presence of outliers. In this case, the novelty introduced in this Ph.D. thesis is the creation of an ensemble formed by component-based degradation classifiers, which are based on SOMs trained using only healthy data collected from the component under test and are therefore specially tailored on it and on its operational and environmental conditions, and population-based degradation classifiers, which are based on SOMs trained using healthy data collected from components similar to that under test and are therefore representative of the healthy behavior of a general component. The performance of the developed approach is evaluated with respect to an experimental case study regarding the assessment of the health state of Insulated Gate Bipolar Transistors (IGBTs) working in FEVs under variable operating conditions, which are among the most critical and extensively exploited components in electrical systems. With respect to case iii), in this Ph.D. thesis we develop a data-driven Artificial Intelligence (AI)-based prognostic approach for components working under variable operating conditions. The proposed approach resorts to Echo State Networks (ESNs), a relatively new approach for training Recurrent Neural Networks (RNNs). Thanks to the RNN intrinsic memory properties provided by the internal cyclic connections among neurons, ESNs allow taking into account the whole specific degradation history of the monitored component, thus providing more accurate predictions of the component RUL. In this case, the novelty introduced in this Ph.D. research is the creation of a local ensemble of ESN models, optimized by using a Multi-Objective Differential Evolution (MO-DE) algorithm for enhancing the individual models diversity, which aims at predicting the component RUL and the associated uncertainty by exploiting the individual models memory properties for the aggregation of their outcomes. The performance of the developed approach is evaluated with respect to an experimental case study regarding the RUL prediction and uncertainty quantification of a fleet of turbofan engines working under variable operating conditions, which are among the most critical aircraft components from both the safety and the availability points of view. According to the obtained results, the PHM approaches developed in this Ph.D. thesis are shown able to improve the accuracy and the confidence of the degradation assessments and RUL predictions with respect to conventional PHM approaches. The outcomes of this Ph.D. are expected to reduce the gap between the PHM methodological research and the practical implementation of PHM techniques in industrial applications, providing a framework for the selection of the strategy to adopt for tackling specific cases characterized by different available information.

La Prognostics and Health Management (PHM) è un settore di ricerca i cui scopi sono l’individuazione dell’inizio del degrado di componenti industriali, la diagnosi dei malfunzionamenti e la predizione del suo tempo di guasto futuro, in modo da accrescere l’affidabilità e la sicurezza complessive del sistema, riducendone i costi di manutenzione. La PHM si basa su differenti fonti di informazione, tra cui la conoscenza della fisica del processo di degrado, dati statistici relativi ai tempi di guasto di componenti simili e dati raccolti dai componenti monitorati attraverso l’applicazione di sensori che misurano segnali relativi al comportamento del componente e alle sue condizioni operative e ambientali. Le informazioni disponibili sono utilizzate per valutare il degrado del componente e per predirne la Remaining Useful Life (RUL), ovvero la vita utile residua, in modo da migliorare il processo decisionale per definire il tempo ottimale in cui effettuare l’intervento di manutenzione. Tipicamente, le diverse applicazioni industriali di PHM sono caratterizzate dalla disponibilità di diverse fonti di informazione, e devono quindi essere affrontate con gli approcci di PHM adatti. Inoltre, i moderni sistemi industriali generalmente operano in condizioni variabili che influenzano il processo di degrado del componente e gli intervalli di variazione dei valori dei segnali monitorati, mascherando così l’andamento del degrado e complicando notevolmente lo sviluppo di metodi di PHM accurati. In questo contesto, la sfida principale affrontata in questa tesi di dottorato riguarda lo sviluppo di metodi di PHM per sistemi industriali operanti in condizioni variabili, tenendo in considerazione le limitazioni pratiche e le informazioni disponibili specifiche della situazione considerata, che vengono categorizzate in termini di conoscenza del comportamento fisico del sistema, disponibilità della stima delle condizioni operative future e quantità di traiettorie disponibili relative al degrado run-to-failure di componenti simili. In questa ricerca di dottorato sono stati considerati tre casi rappresentativi delle diverse informazioni disponibili in ambito industriale per lo sviluppo di modelli di PHM: i) ampia conoscenza del comportamento del sistema sotto forma di modello fisico del processo di degrado, diponibilità di stime delle condizioni operative future e dei loro effetti sul processo di degrado, e la disponibilità di un numero limitato di traiettorie di degrado run-to-failure relative a componenti simili; ii) conoscenza limitata del comportamento del sistema, stime delle condizioni operative future non disponibili e disponibilità di un numero limitato di traiettorie di degrado run-to-failure relative a componenti simili; ; iii) conoscenza limitata del comportamento del sistema, diponibilità di stime delle condizioni operative future e dei loro effetti sul processo di degrado, e disponibilità di un largo numero di traiettorie di degrado run-to-failure relative a componenti simili. Nel caso i) viene fatto ricorso ad un approccio prognostico model-based per componenti che operano in condizioni variabili. Il modello fisico di degrado del componente viene integrato in un modello di Particle Filter (PF) per la stima dello stato di degrado del componente ed in un una approccio Monte Carlo per la predizione della RUL del componente e dell’incertezza associata. In questo caso, la novità introdotta in questa tesi di dottorato è la definizione di un nuovo indicatore di degrado del componente che è indipendente dalle condizioni operative. Le prestazioni dell’approccio sviluppato sono valutate su un caso studio sperimentale riguardante la predizione della RUL di condensatori elettrolitici operanti in condizioni variabili sulle Auto Elettriche (Fully Electric Vehicle - FEV), e che risultano essere responsabili di almeno il 30% de numero totale di guasti che si verificano nei motori elettrici. Nel caso ii) viene sviluppato un classificatore di degrado data-driven per componenti che operano in condizioni variabili. Il classificatore sviluppato è basato su un ensemble di Self-Organizing Maps (SOMs), che permette di maneggiare i tipici segnali industriali, caratterizzati da forte rumore di misura e dalla presenza di outliers. In questo caso, la novità introdotta in questa tesi di dottorato è la creazione di un ensemble formato da classificatori di degrado di tipo component-based, che sono ottenuti addestrando le SOM utilizzando solo dati relativi al comportamento sano del componente monitorato e che sono quindi adattate sulle sue condizioni operative e ambientali specifiche, e da classificatori di degrado di tipo population-based, che sono ottenuti addestrando le SOM con dati sani raccolti su componenti simili a quello testato, e che sono quindi rappresentative del comportamento generale di un componente sano. Le prestazioni dell’approccio sviluppato sono misurate relativamente ad un caso studio sperimentale riguardante la valutazione dello stato di degrado di Insulated Gate Bipolar Transistors (IGBTs) operanti nelle FEV in condizioni operative variabili: vale la pena sottolineare che questi componenti sono tra i più critici e impiegati nei sistemi elettrici. Nel caso iii) viene sviluppato un approccio prognostico per componenti che operano in condizioni operative variabili basato su metodi di Intelligenza Artificiale (AI). L’approccio proposto fa ricorso alle Echo State Networks (ESNs), un approccio relativamente nuovo per l’addestramento delle Recurrent Neural Networks (RNNs). Grazie alle proprietà di memoria intrinseche delle RNN, le quali sono ottenute mediante le connessioni cicliche interne tra i neuroni della rete, le ESN permettono di tenere in considerazione l’intera storia di degrado del componente osservato, fornendo così predizioni più accurate della RUL del componente. In questo caso, la novità introdotta in questa ricerca di dottorato riguarda la creazione di un ensemble locale di ESNs, ottimizzate usando un algoritmo di Differential Evolution (DE) multi-obiettivo per accrescerne la diversità, il cui scopo è la predizione della RUL del componente e la stima dell’incertezza associata e i cui risultati vengono aggregati facendo riferimento alle specifiche proprietà di memoria dei modelli considerati. Le prestazioni dell’approccio sviluppato sono valutate relativamente ad un caso studio sperimentale riguardante la predizione della RUL e la quantificazione dell’incertezza associata per una flotta di motori aeronautici a reazione operanti in condizioni operative variabili, e che sono tra i più critici componenti aeronautici sia dal punto di vista della sicurezza che della disponibilità del velivolo. I risultati ottenuti confermano la capacità degli approcci PHM sviluppati in questa tesi di migliorare l’accuratezza e la fiducia delle valutazioni del degrado e delle predizioni della RUL dei componenti rispetto a quelle fornite da approcci di PHM convenzionali. Ci si aspetta che i risultati di questa ricerca di dottorato aiutino a ridurre la distanza tra la ricerca metodologica di PHM e l’implementazione pratica di tecniche di PHM in ambito industriale, fornendo inoltre un approccio sistematico che aiuti la selezione delle strategie e dei metodi da utilizzare per affrontare casi diversi caratterizzati da diverse specifiche informazioni disponibili.