A never ending learning method for fault diagnostics in energy systems operating in evolving environments

As more and more data and information are being collected in the Industry 4.0 era, Condition Monitoring (CM) of energy systems is becoming a very active research area. CM aims at detecting and classifying abnormal plant conditions for timely planning the remedial actions necessary to prevent failures and system unavailability. Some practical drawbacks that limit the application of CM methods in the energy industries are: i) the lack of pre-classified normal and abnormal condition data necessary for the CM model development; ii) the continuous evolution of the energy plants due to deterioration of components and sensors, maintenance activities, upgrading plan and repowering, which require periodic updating of the CM model. In this context, the objective of the present thesis work is to develop a new CM model able to: 1)detect abnormal conditions and classify the type of anomaly occurring in an energy plant; 2)recognize novel plant behaviors for which examples are not available (novelty identification); 3)select representative examples of the novel classes identified in 2) to be labeled by an expert; 4)automatically update the CM model in 1). To this aim, we have developed a new model for CM which is able to perform the four tasks in an integrated approach based on the concept never-ending learning (NEL). A dictionary containing prototypical subsequences of signal values representing classes of normal conditions and anomalies is continuously updated by using a dendrogram, which identifies groups of similar subsequences of novel classes and selects those to be labelled by an expert. A 1 nearest neighbor classifier trained using the dictionary is used to online detect abnormal conditions and classify their types. The proposed CM model has been validated using a synthetic case study containing a Mackey-Glass (MG) series with artificially simulated anomalies and a real case study concerning the monitoring of the tank pressure of an aero-derivative gas turbine lube oil system. It is shown to allow obtaining satisfactory performances in terms of classification accuracy and remarkably reducing the expert efforts necessary for data labelling and model periodic updating with respect to existing CM approaches.

Il condition monitoring (CM) dei sistemi energetici è un'area di ricerca di altissimo interesse, soprattutto adesso, nell'era dell'Industria 4.0, in cui si dispone di una crescente mole di dati e informazioni. L'obiettivo CM è di individuare e riconoscere anomalie per pianificare in maniera opportuna le misure preventive e operare al meglio. Le più diffuse tecniche di CM per sistemi energetici però presentano degli svantaggi che ne compromettono l'applicabilità. In primo luogo, mancano gli esempi di tutti i possibili scenari in cui opera un sistema, e che sono necessari per costruire un modello di CM. In secondo luogo, i metodi di CM sono fortemente messi in discussione quando applicati a sistemi energetici sottoposti a cambiamenti continui dovuti a invecchiamento dei sensori, attività di manutenzione, di potenziamento, o di modernizzazione, il che necessita l'aggiornamento del modello di CM. Lo scopo del presente elaborato è quello di sviluppare un nuovo modello che sia in grado di 1) identificare i tipi di anomalie subite dal sistema 2) riconoscere tra le sequenze dei segnali nuove classi di anomalie 3) scegliere le sequenze più rappresentative di un determinato guasto in modo tale che un esperto possa osservarle e collegare il guasto alla sua causa 4) aggiornare automaticamente il modello. Il modello proposto è in grado di integrare tali quattro compiti in un approccio unico basato sul concetto di never-ending learning. Un dizionario contenente le etichette di classi di anomalie e condizioni normali è continuamente aggiornato con nuove classi dal dendrogramma, che è in grado di individuare gruppi di sotto-sequenze del segnale che rappresentano nuove classi che l'esperto deve etichettare. Dopodiché un classificatore del tipo 1 nearest neighbor, addestrato sul dizionario, è usato per riconoscere e classificare in tempo reale i tipi di anomalie, quando queste si ripresentano. Il NEL è stato validato usando prima un caso studio artificiale in cui la serie di Mackey-Glass simula il segnale con delle anomalie, e su un caso studio reale in cui è stato considerato il segnale di pressione dell'olio di lubrificazione di una turbina a gas. I risultati ottenuti dimostrano ottime performance in termini di accuratezza di classificazione, e il modello proposto è determinante per la riduzione dell'attività dell'esperto, e quindi il suo costo.