A novel method based on continuous wavelet transform for the identification of component degradation and sensor faults in industrial systems

The detection of the onset of a degradation process and the identification of the degradation level are fundamental tasks for the development of condition-based maintenance approaches in industrial systems, which are expected to increase their availability and safety, and, at the same time, reduce maintenance costs. The scope of the present thesis work is the development of fault detection and diagnostic methods for industrial systems. We consider the very common case in which, given the unavailability of reliable physics-based models of the degradation process, data-driven methods should be adopted. The detection and diagnostic models have typically to deal with non-stationary time series, characterized by the fact that the frequency content of the signals changes over time. This is due to the modifications of the environment in which the industrial components operate and the effects of the degradation process on the measured signals. The problem of properly treating these nonstationary time series for extracting indicators of the equipment health state is also complicated by the presence of large noise levels, which may mask the effects of the degradation. To tackle this issue, in this thesis work, we propose a novel method which combines the use of Continuous Wavelet Transform (CWT) with image analysis techniques. CWTs have been used due to their ability to construct a time-frequency representation of a signal able to identify non-stationary components with good time and frequency localization. The main steps of the proposed method are: i) performing the CWT of the test signal, ii) building the corresponding scalogram image and iii) comparing it with scalogram images obtained from historical data collected from similar equipment in nominal conditions by means of a properly defined similarity measure based on a pixel by pixel comparison. The developed approach is applied with success to two experimental datasets concerning sensor validation and bearing fault detection. The industrial problems of detecting malfunctions of the sensors of an energy production plant and detecting anomalous behaviors of the bearings of an engine.

La detection del principio di deterioramento e l’identificazione della sua gravità sono dei compiti fondamentali per lo sviluppo di approcci di manutenzione condition based i quali mirano ad aumentare l'affidabilità e la sicurezza dell'intero sistema, e a ridurre i costi di manutenzione. L’obiettivo di questa tesi è sviluppare un metodo di fault detection e diagnostica per sistemi industriali. Consideriamo lo scenario comune nel quale, data l’indisponibilità di modelli fisici affidabili per il processo di deterioramento, gli approcci data-driver sono più efficaci. I modelli di detection e di diagnostica in genere devono trattare time-series non stazionarie, cioè segnali la cui frequenza cambia nel tempo. Ciò è dovuto alle modifiche dell’ambiente nel quale i componenti industriali operano e agli effetti del processo di deterioramento sul segnale misurato. Il problema di trattare in maniera adeguata time-series non stazionarie per estrarre indicatori sullo stato dei componenti è anche complicato dalla presenza di rumore che può mascherare gli effetti del deterioramento. Per affrontare il problema, in questa tesi, proponiamo un nuovo metodo che unisce la Continuous Wavelet Transform (CWT) con l’analisi di immagine. Le CWTs sono state già usate per la loro capacità di costruire una rappresentazione tempo-frequenza di un segnale in grado di evidenziare le componenti non stazionarie. I principali step del metodo sono: i) fare la CWT del segnale test, ii) ottenere la corrispettiva immagine di scalogramma e iii) confrontarla con le immagini di scalogrammi ottenute da dati storici di componenti simili in condizioni nominali mediante una appropriata misura di similarità basata su un confronto pixel-pixel. Il metodo sviluppato è stato applicato con successo a 2 dataset sperimentali, utilizzati rispettivamente per la sensor data validation e la fault detection di cuscinetti. Il metodo sviluppato è applicato quindi con successo a 2 dataset sperimentali riguardati la sensor validation e la bearing fault detection