Modelling and evaluation of clustering for collaborative prognostics in on-line plant operations

In recent years, the considerable progress made in the field of information and communication technologies has paved the way to the innovative paradigm of Industry 4.0. The employment of this paradigm, with the increasing computational capabilities offered by modern computers, opens new horizons for what concerns new and more effective ways to manage and control the industrial processes. In this context, the innovative concept of Social Internet of Industrial Things is opening a promising perspective for collaborative prognostics in order to improve maintenance and operational policies. In fact, considering the prognostic field, a network of data exchanged by different physical assets increases the amount of information that can be employed for the on-line assessment of a component’s Remaining Useful Life (RUL). This work focuses on this topic. In particular, it treats the definition of an efficient and effective method to properly exploit the historical paths regarding the degradation process of different assets up to their failure (shortly indicated as failure paths), with the end purpose to make a cost-effective collaborative prognostics. During the first experimental phase, the historical failure paths are simulated by means of a data-generation algorithm, in order to build a correspondent library. The potential prognostic value of each available failure path is evaluated for defining an efficient way to assess the RUL of a newly simulated path, i.e. the asset/component on-line running on a degrading path. Given this context, an initial data clustering approach (said hard clustering) is studied and refined, leading to the definition of an adaptive clustering approach that is compared to an all-data approach for RUL assessment. Finally, an innovative modified adaptive clustering approach integrated with an heuristic optimization algorithm is proposed, in order to optimize the number of historical failure paths used for the subsequent RUL assessment. Thanks to the variation of the generation seed used for the simulation, together with the change of experimental settings, this work analyses different prognostic scenarios, considering two important needs to meet: i) for what concerns the context of collaborative prognostics research, the availability of complete libraries of failure paths calls for the investigation of which paths can be used for a successful prognostic assessment; ii) in reference to the industrial field, the considerable effectiveness of several existing prognostic algorithms must be integrated with an efficient use of the available data, otherwise, an unproductive use of the available data could lead to a useless consumption of computing resources (that can be expensive). An industrial case study is evaluated in the second experimental phase, exploiting the learnings from the first one. Herein the concepts of data clustering and of data simulation are applied to cope with the definition of an effective prognostic algorithm under limited availability of historical information. In this phase, the simulated failure paths are initially used to assess the performances of the prediction algorithm under different experimental settings. Then, the simulated failure paths are used to train the prediction algorithm, to stress the importance of an efficient use of the available paths to be employed within the designed prognostic approach.

Negli ultimi anni, il considerevole sviluppo nel campo delle tecnologie dell’informazione e della comunicazione ha spianato la strada all’innovativo paradigma di industria 4.0. L’utilizzo di questo nuovo paradigma, coadiuvato con la crescente capacità di calcolo dei computer moderni, apre nuovi orizzonti a modi innovativi di gestire e controllare i processi industriali. All’interno di questo contesto, il concetto di “Social Internet of Industrial Things” spiana la strada all’utilizzo di nuovi metodi di prognostica collaborativa per migliorare le politiche di gestione e manutenzione. Infatti, considerando il campo prognostico, una rete di dati scambiati da diversi asset fisici aumenta la quantità di informazioni utilizzabili per predire la vita utile rimanente di un componente on-line. Questo lavoro si concentra su questo argomento. In particolare, tratta la definizione di un modello per sfruttare in maniera efficace ed efficiente una quantità considerevole di storie di degradazione inerenti a un processo di deterioramento di una flotta di asset a fini prognostici, lavorando alla definizione di una prognostica collaborativa definibile “cost-effective”. Durante la prima fase sperimentale, le storie di degradazione sono simulate da un algoritmo di generazione dati, per costruire la corrispondente libreria dati. Successivamente, il potenziale prognostico di ogni storia di degradazione è valutato, al fine di definire una strategia efficiente per valutare la vita utile rimanente di una nuova storia di degradazione generata (ovvero il processo di degradazione di un componente on-line). Dato questo contesto, l’iniziale approccio di clusterizzazione dati definito come “hard clustering” è sostituito da un sistema più affinato chiamato “adaptive clustering” che viene comparato con un approccio “all-data”. Infine, per migliorare ulteriormente il modello proposto, sarà introdotto un approccio di selezione dati con ottimizzazione euristica per limitare il consumo di risorse computazionali. Questo lavoro studia diversi scenari prognostici, grazie alla variazione del seed di generazione dati e alla variazione dell’ambiente sperimentale. Vengono quindi considerate due importanti richieste: i) per quanto riguarda il concetto di prognostica collaborativa, la disponibilità di librerie dati complete chiama a uno studio approfondito circa quali storie di degradazione utilizzare per calcolare efficacemente la vita utile rimanente di un nuovo componente on-line; ii) considerando il campo industriale, l’utilizzo di algoritmi predittivi sempre più affinati deve essere coadiuvato da un valido sistema di selezione dati, per limitare il più possibile l’eccessivo spreco di risorse computazionali. Nella seconda fase sperimentale viene valutato un caso industriale in cui sono applicati i concetti di simulazione e di clusterizzazione per far fronte alla scarsezza di informazioni storiche riguardanti il processo di degradazione del componente in analisi. In questa fase, i dati simulati vengono usati per testare le prestazioni dell’algoritmo prognostico proposto inizialmente. Successivamente, i dati simulati sono usati in una fase precedente alla predizione per il training dell’algoritmo stesso, evidenziando l’importanza di utilizzare i dati disponibili in maniera ottimale per un’efficace prestazione predittiva.