In the Industry 4.0 era, an increasing quantity of time series data is collected from various real-world applications including, for example, healthcare, finance, weather forecasting, astronomy, manufacturing, reliability engineering. The motivation behind the present Ph.D. thesis work is Prognostics and Health Management (PHM) which is an interdisciplinary field of research and application aiming at detecting the degradation onset of industrial equipment, diagnosing its faults, predicting its Remaining Useful Life (RUL) and proactively managing its maintenance to improve system safety, availability and reliability. PHM requires monitoring a large number of equipment parameters to evaluate the health state of the equipment. The monitored parameters of practical interest are typically non-nonstationary time series, i.e., their statistical and frequency characteristics change with time. This is due to the fact that the monitored parameters are influenced by the environment in which the equipment operates, which is typically evolving as time passes, and by the equipment degradation which is an irreversible process which typically causes monotonic trends on the parameters. Another difficulty of PHM is that the information on the true equipment degradation level is not available in many applications due to the cost of its estimation. As consequence, the available data are incomplete, right-censored time series. These issues in PHM have motivated the development of time series analysis methods with following research objectives: I) development of an anomaly detection method for non-stationary time series; II) development of a classification scheme for non-stationary curves and III) development of a similarity-based regression method for time series prediction in presence of incomplete data. From a PHM perspective the three research objectives correspond to fault detection, fault diagnostics and fault prognostics, respectively. To achieve these objectives, we have considered wavelet and instance-based (also known as similarity-based) methods. With respect to research objective I), we have developed a novel method for sensor data validation based on the analysis of data regularity properties through the joint use of Continuous Wavelet Transform (CWT) and image analysis. Anomaly detection is performed by comparing the similarity between the CWT scalogram obtained from the test signal with those obtained from historical data in nominal condition with a fixed threshold. The developed method has been successfully applied to temperature signals from a reactor coolant pump. Differently from the typical sensor data validation methods which detect sensor malfunctions by observing variations in the relationships among measurements provided by different sensors, the proposed solution can be systematically applied to a fleet of plants, without requiring sensor grouping. With respect to research objective II), we have developed a novel Functional Data (FD) based Empirical Classification System (ECS) for diagnosing the degradation level of industrial equipment. The developed ECS combines wavelet smoothing, elastic registration and LASSO multinomial logistic regression. The proposed method has been successfully applied to case studies concerning solenoid valves mounted on train braking system and knives used in the packaging industry. The proposed solution which, at the best of our knowledge, is a novel approach in fault diagnostics, is shown to allow improving the classification performance with respect to traditional approaches of the PHM field. Finally, with respect to research objective III), we have developed a novel direct RUL algorithm capable of exploiting the information provided by incomplete, right-censored degradation trajectories for effective RUL prediction and quantification of its uncertainty. The novel developed method combines similarity measure with Dempster-Shafer evidence theory. Its application to two case studies concerning turbofan engines and cutting tools used in the manufacturing, has shown that it provides more accurate RUL predictions in comparison with a similarity-based regression method of literature. Furthermore, the proposed method allows properly quantifying RUL predictions uncertainty. The obtained results show that the developed time series methods can be effective in PHM industrial applications and can support the development of condition-based and predictive maintenance strategies.

Nell'era dell'Industria 4.0, una quantità crescente di serie temporali viene raccolta in varie applicazioni tra cui, ad esempio, assistenza sanitaria, finanza, metereologia, astronomia, produzione industriale e ingegneria dell'affidabilità. Questa tesi di dottorato è motivata dalla Prognostics and Health Management (PHM) che è un campo interdisciplinare di ricerca e applicazione volto a rilevare l’insorgenza di un processo di degrado di componenti industriali, diagnosticare le sue cause, prevedere la sua vita utile rimanente (RUL) e gestirne la manutenzione in modo proattivo per migliorare la sicurezza, la disponibilità e affidabilità del sistema. La PHM richiede il monitoraggio di un gran numero di parametri del componente in esame per valutarne lo stato di salute. I parametri monitorati di interesse pratico sono, di solito, serie temporali non stazionarie, cioè tali che le loro proprietà statistiche e in frequenza cambiano nel tempo. La non stazionarità di queste serie temporali è dovuta al fatto che i parametri monitorati sono influenzati dall'ambiente in cui opera il componente, che di solito si evolve col passare del tempo, e al degrado del componente che è un processo irreversibile che tipicamente causa drift monotoni sui parametri osservati. Un'altra difficoltà della PHM è che le informazioni sul reale livello di degrado del componente non sono disponibili in molte applicazioni a causa dei costi elevati per ottenerne una loro stima. Di conseguenza, i dati disponibili sono, tipicamente, serie temporali incomplete, caratterizzate da censura a destra. Queste difficoltà nella PHM hanno motivato lo sviluppo di metodi di analisi per serie temporali con i seguenti obiettivi di ricerca: I) sviluppo di un metodo di rilevamento delle anomalie per serie temporali non stazionarie; II) sviluppo di uno schema di classificazione per curve non stazionarie e III) sviluppo di un metodo di regressione basato sulla similarità per la previsione di serie temporali in presenza di dati incompleti. Da un punto di vista della PHM i tre obiettivi di ricerca corrispondono rispettivamente al problema del rilevamento di guasti o anomalie, alla diagnostica di guasto e alla prognostica di guasto. Per raggiungere questi obiettivi, sono stati considerati metodi basati sulla trasformata wavelet e basati su istanze (noti anche come metodi basati sulla similarità). Per quanto riguarda l'obiettivo di ricerca I), è stato sviluppato un nuovo metodo per la validazione di dati raccolti da sensori che si basa sull'analisi delle proprietà di regolarità dei dati attraverso l'uso congiunto di Trasformata Wavelet Continua (TWC) e analisi delle immagini. Il rilevamento di possibili anomalie viene eseguito confrontando la similarità tra lo scalogramma ottenuto dal segnale di test e quelli di training ottenuti da dati storici in condizioni nominali con una soglia. Il metodo sviluppato è stato applicato con successo ai segnali di temperatura di una pompa di raffreddamento di un reattore nucleare. A differenza dei metodi di validazione tipici che rilevano malfunzionamenti del sensore osservando le variazioni nelle relazioni tra le misurazioni fornite dai diversi sensori, la soluzione proposta può essere applicata sistematicamente a una flotta di impianti, senza richiedere il raggruppamento dei sensori. Per quanto riguarda l'obiettivo di ricerca II), è stato sviluppato un nuovo sistema di classificazione per dati funzionali per diagnosticare il livello di degrado di componenti industriali. Il sistema di classificazione diagnostico sviluppato combina, trasformata wavelet discreta, registrazione elastica e regressione logistica multinomiale con penalità di tipo Least Absolute Shrinkage and Selection Operator (LASSO). Il metodo proposto è stato applicato con successo a due casi studio riguardanti la diagnosi del livello di degrado di valvole solenoidali installate sul sistema di frenatura di treni e di coltelli utilizzati nell'industria dell'imballaggio. La soluzione proposta che, per quanto a nostra conoscenza, è un nuovo approccio per la diagnosi del livello di degrado di componenti industriali ha mostrato avere migliori performance di classificazione rispetto ad approcci tradizionali usati nel campo PHM. Infine, rispetto all'obiettivo di ricerca III), è stato sviluppato un nuovo algoritmo per la predizione della vita utile rimanente di componenti industriali in grado di sfruttare anche le informazioni fornite da traiettorie di degrado incomplete. Il nuovo metodo sviluppato combina l’uso della nozione di similarità tra traiettorie di degrado con la teoria di Dempster-Shafer. L’applicazione a due casi studio riguardante motori a turbina e utensili da taglio utilizzati nell’industria dell’imballaggio, ha dimostrato che il metodo sviluppato fornisce previsioni della vita utile rimanente più accurate rispetto a un metodo classico di regressione basato sulla nozione di similarità tra traiettorie di degrado. Inoltre, il tale metodo consente di quantificare accuratamente l'incertezza delle previsioni della vita utile rimanente dei componenti. I risultati ottenuti mostrano che i metodi di serie temporali sviluppati possono essere efficaci nelle applicazioni industriali di PHM e possono supportare lo sviluppo di strategie di manutenzione predittiva.

Wavelet transform and instance-based methods for non-stationary time series analysis

CANNARILE, FRANCESCO

Abstract

In the Industry 4.0 era, an increasing quantity of time series data is collected from various real-world applications including, for example, healthcare, finance, weather forecasting, astronomy, manufacturing, reliability engineering. The motivation behind the present Ph.D. thesis work is Prognostics and Health Management (PHM) which is an interdisciplinary field of research and application aiming at detecting the degradation onset of industrial equipment, diagnosing its faults, predicting its Remaining Useful Life (RUL) and proactively managing its maintenance to improve system safety, availability and reliability. PHM requires monitoring a large number of equipment parameters to evaluate the health state of the equipment. The monitored parameters of practical interest are typically non-nonstationary time series, i.e., their statistical and frequency characteristics change with time. This is due to the fact that the monitored parameters are influenced by the environment in which the equipment operates, which is typically evolving as time passes, and by the equipment degradation which is an irreversible process which typically causes monotonic trends on the parameters. Another difficulty of PHM is that the information on the true equipment degradation level is not available in many applications due to the cost of its estimation. As consequence, the available data are incomplete, right-censored time series. These issues in PHM have motivated the development of time series analysis methods with following research objectives: I) development of an anomaly detection method for non-stationary time series; II) development of a classification scheme for non-stationary curves and III) development of a similarity-based regression method for time series prediction in presence of incomplete data. From a PHM perspective the three research objectives correspond to fault detection, fault diagnostics and fault prognostics, respectively. To achieve these objectives, we have considered wavelet and instance-based (also known as similarity-based) methods. With respect to research objective I), we have developed a novel method for sensor data validation based on the analysis of data regularity properties through the joint use of Continuous Wavelet Transform (CWT) and image analysis. Anomaly detection is performed by comparing the similarity between the CWT scalogram obtained from the test signal with those obtained from historical data in nominal condition with a fixed threshold. The developed method has been successfully applied to temperature signals from a reactor coolant pump. Differently from the typical sensor data validation methods which detect sensor malfunctions by observing variations in the relationships among measurements provided by different sensors, the proposed solution can be systematically applied to a fleet of plants, without requiring sensor grouping. With respect to research objective II), we have developed a novel Functional Data (FD) based Empirical Classification System (ECS) for diagnosing the degradation level of industrial equipment. The developed ECS combines wavelet smoothing, elastic registration and LASSO multinomial logistic regression. The proposed method has been successfully applied to case studies concerning solenoid valves mounted on train braking system and knives used in the packaging industry. The proposed solution which, at the best of our knowledge, is a novel approach in fault diagnostics, is shown to allow improving the classification performance with respect to traditional approaches of the PHM field. Finally, with respect to research objective III), we have developed a novel direct RUL algorithm capable of exploiting the information provided by incomplete, right-censored degradation trajectories for effective RUL prediction and quantification of its uncertainty. The novel developed method combines similarity measure with Dempster-Shafer evidence theory. Its application to two case studies concerning turbofan engines and cutting tools used in the manufacturing, has shown that it provides more accurate RUL predictions in comparison with a similarity-based regression method of literature. Furthermore, the proposed method allows properly quantifying RUL predictions uncertainty. The obtained results show that the developed time series methods can be effective in PHM industrial applications and can support the development of condition-based and predictive maintenance strategies.
SABADINI, IRENE MARIA
LUCCHETTI, ROBERTO
BARALDI, PIERO
1-mar-2019
Nell'era dell'Industria 4.0, una quantità crescente di serie temporali viene raccolta in varie applicazioni tra cui, ad esempio, assistenza sanitaria, finanza, metereologia, astronomia, produzione industriale e ingegneria dell'affidabilità. Questa tesi di dottorato è motivata dalla Prognostics and Health Management (PHM) che è un campo interdisciplinare di ricerca e applicazione volto a rilevare l’insorgenza di un processo di degrado di componenti industriali, diagnosticare le sue cause, prevedere la sua vita utile rimanente (RUL) e gestirne la manutenzione in modo proattivo per migliorare la sicurezza, la disponibilità e affidabilità del sistema. La PHM richiede il monitoraggio di un gran numero di parametri del componente in esame per valutarne lo stato di salute. I parametri monitorati di interesse pratico sono, di solito, serie temporali non stazionarie, cioè tali che le loro proprietà statistiche e in frequenza cambiano nel tempo. La non stazionarità di queste serie temporali è dovuta al fatto che i parametri monitorati sono influenzati dall'ambiente in cui opera il componente, che di solito si evolve col passare del tempo, e al degrado del componente che è un processo irreversibile che tipicamente causa drift monotoni sui parametri osservati. Un'altra difficoltà della PHM è che le informazioni sul reale livello di degrado del componente non sono disponibili in molte applicazioni a causa dei costi elevati per ottenerne una loro stima. Di conseguenza, i dati disponibili sono, tipicamente, serie temporali incomplete, caratterizzate da censura a destra. Queste difficoltà nella PHM hanno motivato lo sviluppo di metodi di analisi per serie temporali con i seguenti obiettivi di ricerca: I) sviluppo di un metodo di rilevamento delle anomalie per serie temporali non stazionarie; II) sviluppo di uno schema di classificazione per curve non stazionarie e III) sviluppo di un metodo di regressione basato sulla similarità per la previsione di serie temporali in presenza di dati incompleti. Da un punto di vista della PHM i tre obiettivi di ricerca corrispondono rispettivamente al problema del rilevamento di guasti o anomalie, alla diagnostica di guasto e alla prognostica di guasto. Per raggiungere questi obiettivi, sono stati considerati metodi basati sulla trasformata wavelet e basati su istanze (noti anche come metodi basati sulla similarità). Per quanto riguarda l'obiettivo di ricerca I), è stato sviluppato un nuovo metodo per la validazione di dati raccolti da sensori che si basa sull'analisi delle proprietà di regolarità dei dati attraverso l'uso congiunto di Trasformata Wavelet Continua (TWC) e analisi delle immagini. Il rilevamento di possibili anomalie viene eseguito confrontando la similarità tra lo scalogramma ottenuto dal segnale di test e quelli di training ottenuti da dati storici in condizioni nominali con una soglia. Il metodo sviluppato è stato applicato con successo ai segnali di temperatura di una pompa di raffreddamento di un reattore nucleare. A differenza dei metodi di validazione tipici che rilevano malfunzionamenti del sensore osservando le variazioni nelle relazioni tra le misurazioni fornite dai diversi sensori, la soluzione proposta può essere applicata sistematicamente a una flotta di impianti, senza richiedere il raggruppamento dei sensori. Per quanto riguarda l'obiettivo di ricerca II), è stato sviluppato un nuovo sistema di classificazione per dati funzionali per diagnosticare il livello di degrado di componenti industriali. Il sistema di classificazione diagnostico sviluppato combina, trasformata wavelet discreta, registrazione elastica e regressione logistica multinomiale con penalità di tipo Least Absolute Shrinkage and Selection Operator (LASSO). Il metodo proposto è stato applicato con successo a due casi studio riguardanti la diagnosi del livello di degrado di valvole solenoidali installate sul sistema di frenatura di treni e di coltelli utilizzati nell'industria dell'imballaggio. La soluzione proposta che, per quanto a nostra conoscenza, è un nuovo approccio per la diagnosi del livello di degrado di componenti industriali ha mostrato avere migliori performance di classificazione rispetto ad approcci tradizionali usati nel campo PHM. Infine, rispetto all'obiettivo di ricerca III), è stato sviluppato un nuovo algoritmo per la predizione della vita utile rimanente di componenti industriali in grado di sfruttare anche le informazioni fornite da traiettorie di degrado incomplete. Il nuovo metodo sviluppato combina l’uso della nozione di similarità tra traiettorie di degrado con la teoria di Dempster-Shafer. L’applicazione a due casi studio riguardante motori a turbina e utensili da taglio utilizzati nell’industria dell’imballaggio, ha dimostrato che il metodo sviluppato fornisce previsioni della vita utile rimanente più accurate rispetto a un metodo classico di regressione basato sulla nozione di similarità tra traiettorie di degrado. Inoltre, il tale metodo consente di quantificare accuratamente l'incertezza delle previsioni della vita utile rimanente dei componenti. I risultati ottenuti mostrano che i metodi di serie temporali sviluppati possono essere efficaci nelle applicazioni industriali di PHM e possono supportare lo sviluppo di strategie di manutenzione predittiva.
Tesi di dottorato
File allegati
File Dimensione Formato  
2019_03_PhD_Cannarile.pdf

non accessibile

Descrizione: Testo della tesi
Dimensione 4.76 MB
Formato Adobe PDF
4.76 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/145568