Development of an unsupervised fault diagnostic method for predictive maintenance of energy production plant

The application of predictive maintenance to industrial plants requires the development of Prognostic and Health Management (PHM) systems for the detection of the occurrence of abnormal conditions, the diagnosis of their causes and the prediction of their evolution. In this thesis work, we consider turbines of energy production plants, which are among the most critical components of the system. We show the importance, from the point of view of plant availability and overall maintenance cost, of having an accurate fault diagnostic system to perform predictive maintenance. Then, motivated by the findings of the analysis, we address the problem of developing a fault diagnostics system for gas turbines, which is challenged by the high level of correlation among groups of measured signals and the unavailability of a sufficient number of historical examples of abnormal condition data for the development of supervised classification approaches. The proposed fault diagnostic methods are built on a fault detection model, which measures the deviation of the system state from a normal condition state using a properly defined indicator of abnormality. The diagnosis of the cause of the abnormal condition is, then, based on the use sensitivity analysis techniques which allow identifying the signals responsible of the deviation of the indicator of abnormality. We investigate the diagnostic performance of several combinations of fault detection methods (based on Principal Component Analysis (PCA), Mahalanobis Distance (MD) and Mahalanobis Distance Pseudo-inverse (MDP)) and sensitivity analysis techniques (Root Mean Squares (RMS) of the signal residuals, Mahalanobis - Taguchi System (MTS), Adjusted Mahalanobis - Taguchi System (AMTS), Derivative-based Global Sensitivity Measure (DGSM), Differential Importance Measure (DIM)) on a synthetic case study which mimics the complexity of a gas turbine behaviour. The two resulting best performing methods (PCA + DGSM and PCA + RMS) have, then, been shown able to identify the real causes of abnormal conditions occurred in two different gas turbines of combined cycle power plants fed by natural gas.

L’applicazione della manutenzione predittiva ad impianti industriali richiede lo sviluppo di un sistema di monitoraggio dello stato di salute dei componenti e di prognostica per il rilevamento di condizioni anomale, la diagnosi delle loro cause e la predizione della loro evoluzione. In questo lavoro di tesi, abbiamo considerato gli impianti di produzione di energia, che sono tra i componenti maggiormente critici. Inanzitutto mostriamo l’importanza, dal punto di vista della disponibilità dell’impianto e del costo totale di manutenzione, di avere un sistema di diagnostica dei guasti accurato per effettuare manutenzione predittiva. Poi, motivati dai risultati di queste analisi, abbiamo affrontato il problema di sviluppare un sistema di diagnostica dei guasti per le turbine a gas, le quali soffrono di un alto livello di correlazione tra i gruppi di segnali misurati e dalla mancanza di un numero sufficente di esempi di condizioni anomale per l’allenamento di un metodo con approccio a classificazione supervisionata. Il metodo di diagnostica proposto è costruito tramite un modello di rilevamento dei guasti, che misura la deviazione dello stato del sistema rispetto alla condizioni normali usando un indicatore di anormalità propriamente definito. La diagnosi delle cause di una condizione anomala è, inoltre, basata sull’uso di tecniche di analisi di sensitività che permettono di indentificare i segnali responsabili della deviazione dell’inidice di anormalità. Successivamente, abbiamo investigato le prestazioni di alcune combinazioni di metodi per il rilevamento di guasti (basati sull’analisi delle componenti principali (PCA), la distanza di Mahalanobis (MD), e la distanza di Mahalanobis con pseudo-inversa (MDP)) e tecniche di analisi di sensitività (il valore delle radici delle medie quadratiche (RMS), il sistema di Mahalanobis - Taguchi (MTS), il sistema di Mahalanobis - Taguchi modificato (AMTS), la misura di sensitività globale basata sulla derivata (DGSM), la misura di importanza differenziale (DIM)) su un caso studio sintetico che replica la complessità di una turbina a gas. I due metodi risultati più performanti, PCA + RMS e PCA + DGSM, hanno, poi, dimostrato di identificare la causa di reale anomalia avvenuta su due differenti turbine a gas all’interno di centrali a ciclo combinato.