Prognostics and Health Management (PHM) is a field of research and application aiming at identifying the degradation onset in industrial systems, diagnosing the causes of the degradation, assessing the degradation level, and predicting the remaining useful life, with the objective of increasing the system availability and reducing operation and maintenance costs. In the era of the fourth industrial revolution, the increased availability of information coming from different sources and the grown ability of treating the acquired information by intelligent algorithms has opened wide the doors for the development of advanced PHM methods in support of dynamic maintenance and operation management. In this context, the present PhD work addresses some of the main challenges that are limiting the application of PHM in Industry 4.0: 1) the large amount of high dimensional data makes difficult the extraction and selection of human-designed features relevant for the PHM tasks; 2) non-numerical data are typically not utilized by existing PHM approaches; 3) evolving environments make unsatisfactory the performance of intelligent models trained using data collected in the past. These challenges are addressed by developing a novel PHM framework based on advanced artificial neural networks, such as extreme learning machines, autoencoders, and deep and convolutional neural networks. Specifically, the proposed framework is founded on: i) the automatic extraction of degradation indicators in evolving environments by using sparse autoencoders-based deep neural networks; ii) the detection of concept drift through the online updating of extreme learning machines; iii) the development of prognostic models based on multi-branch deep neural networks which receive in input numerical and textual data and images; iv) maintenance optimization using convolutional neural networks and multi-state stochastic models considering the information content of maintenance records. The proposed framework is validated using real numerical data extracted from bearing run-to-failure trajectories and wind power production plants, real maintenance records collected from excavator buckets used in mining industry and a synthetic case study inspired by the operation of steam generators in nuclear power plants. The obtained results show that the proposed PHM framework allows using large amounts of high dimensional multimodal data collected from industrial components and systems working under evolving environments for improving the performance of current fault detection, diagnostics, prognostics and maintenance optimization methods.

La prognostica e gestione della salute (Prognostics and Health Management, PHM) è un campo di ricerca e applicazione che mira a identificare l'insorgenza del degrado nei sistemi industriali, diagnosticare le cause del degrado, valutare il livello di degrado e prevedere la vita utile residua, con l'obiettivo di aumentare la dispobilità del sistema e ridurre i costi operativi e di manutenzione. Nell'era della quarta rivoluzione industriale, la maggiore disponibilità di informazioni provenienti da diverse fonti e la crescente capacità di trattare le informazioni acquisite con algoritmi intelligenti ha spalancato le porte allo sviluppo di metodi PHM avanzati a supporto della manutenzione dinamica e della gestione operativa. In questo contesto, il presente lavoro di dottorato affronta alcune delle principali sfide che stanno limitando l'applicazione del PHM nell'industria 4.0: 1) la grande quantità di dati ad alta dimensione rende difficile l'estrazione e la selezione di funzionalità progettate dall'uomo rilevanti per le attività PHM ; 2) i dati non numerici non sono in genere utilizzati dagli approcci PHM esistenti; 3) ambienti in evoluzione rendono insoddisfacenti le prestazioni dei modelli intelligenti addestrati utilizzando i dati raccolti in passato. Queste sfide vengono affrontate sviluppando un nuovo framework PHM basato su reti neurali artificiali avanzate, come extreme learning machine , autoencoder e deep e convolutional neural networks. In particolare, il framework proposto si basa su: i) l'estrazione automatica di indicatori di degrado in ambienti in evoluzione mediante l'utilizzo di deep neural network basate su sparse autoencoder; ii) la rilevazione del concept drift attraverso l'aggiornamento online extreme learning machines; iii) lo sviluppo di modelli prognostici basati su multi-branch deep neural network che ricevono in input dati e immagini numerici e testuali; iv) ottimizzazione della manutenzione mediante convolutional neural network e modelli stocastici multi-stato considerando il contenuto informativo dei registri di manutenzione. Il framework proposto viene convalidato utilizzando dati numerici reali estratti da traiettorie di guasto di cuscinetti e impianti di produzione di energia eolica, registri di manutenzione reali raccolti da benne di escavatori utilizzati nell'industria mineraria e un caso studio simulato ispirato al funzionamento dei generatori di vapore negli impianti di energia nucleare. I risultati ottenuti mostrano che il framework PHM proposto consente di utilizzare grandi quantità di dati multimodali ad alta dimensione raccolti da componenti e sistemi industriali che lavorano in ambienti in evoluzione per migliorare le prestazioni degli attuali metodi di rilevamento guasti, diagnostica, prognostica e ottimizzazione della manutenzione.

Data, text and image processing by deep learning and extreme learning machine for prognostics and health management

YANG, ZHE

Abstract

Prognostics and Health Management (PHM) is a field of research and application aiming at identifying the degradation onset in industrial systems, diagnosing the causes of the degradation, assessing the degradation level, and predicting the remaining useful life, with the objective of increasing the system availability and reducing operation and maintenance costs. In the era of the fourth industrial revolution, the increased availability of information coming from different sources and the grown ability of treating the acquired information by intelligent algorithms has opened wide the doors for the development of advanced PHM methods in support of dynamic maintenance and operation management. In this context, the present PhD work addresses some of the main challenges that are limiting the application of PHM in Industry 4.0: 1) the large amount of high dimensional data makes difficult the extraction and selection of human-designed features relevant for the PHM tasks; 2) non-numerical data are typically not utilized by existing PHM approaches; 3) evolving environments make unsatisfactory the performance of intelligent models trained using data collected in the past. These challenges are addressed by developing a novel PHM framework based on advanced artificial neural networks, such as extreme learning machines, autoencoders, and deep and convolutional neural networks. Specifically, the proposed framework is founded on: i) the automatic extraction of degradation indicators in evolving environments by using sparse autoencoders-based deep neural networks; ii) the detection of concept drift through the online updating of extreme learning machines; iii) the development of prognostic models based on multi-branch deep neural networks which receive in input numerical and textual data and images; iv) maintenance optimization using convolutional neural networks and multi-state stochastic models considering the information content of maintenance records. The proposed framework is validated using real numerical data extracted from bearing run-to-failure trajectories and wind power production plants, real maintenance records collected from excavator buckets used in mining industry and a synthetic case study inspired by the operation of steam generators in nuclear power plants. The obtained results show that the proposed PHM framework allows using large amounts of high dimensional multimodal data collected from industrial components and systems working under evolving environments for improving the performance of current fault detection, diagnostics, prognostics and maintenance optimization methods.
DOSSENA, VINCENZO
DI MAIO, FRANCESCO
ZIO, ENRICO
17-gen-2020
La prognostica e gestione della salute (Prognostics and Health Management, PHM) è un campo di ricerca e applicazione che mira a identificare l'insorgenza del degrado nei sistemi industriali, diagnosticare le cause del degrado, valutare il livello di degrado e prevedere la vita utile residua, con l'obiettivo di aumentare la dispobilità del sistema e ridurre i costi operativi e di manutenzione. Nell'era della quarta rivoluzione industriale, la maggiore disponibilità di informazioni provenienti da diverse fonti e la crescente capacità di trattare le informazioni acquisite con algoritmi intelligenti ha spalancato le porte allo sviluppo di metodi PHM avanzati a supporto della manutenzione dinamica e della gestione operativa. In questo contesto, il presente lavoro di dottorato affronta alcune delle principali sfide che stanno limitando l'applicazione del PHM nell'industria 4.0: 1) la grande quantità di dati ad alta dimensione rende difficile l'estrazione e la selezione di funzionalità progettate dall'uomo rilevanti per le attività PHM ; 2) i dati non numerici non sono in genere utilizzati dagli approcci PHM esistenti; 3) ambienti in evoluzione rendono insoddisfacenti le prestazioni dei modelli intelligenti addestrati utilizzando i dati raccolti in passato. Queste sfide vengono affrontate sviluppando un nuovo framework PHM basato su reti neurali artificiali avanzate, come extreme learning machine , autoencoder e deep e convolutional neural networks. In particolare, il framework proposto si basa su: i) l'estrazione automatica di indicatori di degrado in ambienti in evoluzione mediante l'utilizzo di deep neural network basate su sparse autoencoder; ii) la rilevazione del concept drift attraverso l'aggiornamento online extreme learning machines; iii) lo sviluppo di modelli prognostici basati su multi-branch deep neural network che ricevono in input dati e immagini numerici e testuali; iv) ottimizzazione della manutenzione mediante convolutional neural network e modelli stocastici multi-stato considerando il contenuto informativo dei registri di manutenzione. Il framework proposto viene convalidato utilizzando dati numerici reali estratti da traiettorie di guasto di cuscinetti e impianti di produzione di energia eolica, registri di manutenzione reali raccolti da benne di escavatori utilizzati nell'industria mineraria e un caso studio simulato ispirato al funzionamento dei generatori di vapore negli impianti di energia nucleare. I risultati ottenuti mostrano che il framework PHM proposto consente di utilizzare grandi quantità di dati multimodali ad alta dimensione raccolti da componenti e sistemi industriali che lavorano in ambienti in evoluzione per migliorare le prestazioni degli attuali metodi di rilevamento guasti, diagnostica, prognostica e ottimizzazione della manutenzione.
Tesi di dottorato
File allegati
File Dimensione Formato  
Thesis_Zhe Yang_10538373_31st cycle.pdf

solo utenti autorizzati dal 17/12/2022

Descrizione: Thesis text
Dimensione 5.4 MB
Formato Adobe PDF
5.4 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/10589/151451