Condition-based maintenance of valves in extrusion machines

Nowadays, predictive maintenance is playing a key role for the industries. Indeed, prevent problems such as failure and leakage before they occur, it allows to reduce the maintenance costs, downtime for repairs, stock of spare parts and permits to increase the production. This thesis proposes an automated diagnostic system capable to detect the actual nominal status of the valves in extrusion machines and classify different operative conditions. A Laser Doppler Vibrometer (LDV) is used to acquire the valve’s vibration, while a Microphone is used to measure the sound pressure. Measurements are performed on several areas (valve’s body, flange, and tube) at different operative conditions of supply pressure and oil flow rate. The recognition of the different operating conditions in the nominal state is a fundamental step to correctly identify the valve leakage failure mode. Indeed, internal valve leakage leads to the flowrate of spool valve increasing and could cause a pressure drop of the system. A set of eleven features are analysed from the acquired signals. The Principal Component Analysis (PCA) is used to reduce the dimensionality of data set. On this basis, all the most representable features obtained with the PCA are used to reduce the risk of misclassification, attributing them a different weight. Finally, the ability in detecting different valve operative conditions at nominal state is examined by using two different models. Model 1 described two acquisitions at constant oil flow rate, but different supply pressure. Model 2 is built considering two acquisitions at constant supply pressure, but different oil flow rate. Three supervised Machine Learning (ML) techniques, k-Nearest Neighbour (k-NN), Support Vector Machine (SVM), Random Forest (RF) are used to predict the valve operative conditions. The performance of these models is evaluated in terms of accuracy using the Confusion Matrix, Cohen’s kappa, and Jaccard Index. Results show that the method based on RF is workable and effective for the valve’s operative condition detection, with the F1-score of 100% for model 1, and 97.9% for model 2.

Ai giorni d’oggi, la manutenzione predittiva gioca un ruolo fondamentale nelle imprese in quanto permette di prevenire rotture, ridurre i costi di manutenzione, ridurre i tempi di fermo macchina, diminuire il numero di pezzi di ricambio in magazzino e soprattutto aumentare la produttività. Questa tesi propone un metodo di rilevazione automatico capace di individuare e classificare le differenti condizioni operative nominali delle valvole utilizzate nelle macchine da estrusione. La velocità di vibrazione della valvola è misurata utilizzando un vibrometro laser doppler (LDV), mentre la misura della pressione sonora è effettuata usando un microfono. Le misurazioni sono effettuate in diversi punti (corpo valvola, flangia e tubo), variando le condizioni operative ossia la pressione del sistema e la portata del fluido di lavoro. Il riconoscimento delle diferrenti condizioni operative nello stato nominale è uno step fondamentale per poter riconoscere una condizione di perdita. Infatti, la perdita interna nelle valvole provaca un aumento di portata del fluido di lavoro e una possibile caduta di pressione del sistema. Dai segnali acquisiti, undici parametri statistici sono stati analizzati. L’analisi delle componenti principali (PCA) è usata al fine di ridurre la dimensionalità del problema, eliminando così i parametri statistici rindondanti. Per ciascun parametro statistico selezionato mediante l’analisi PCA è stato attribuito un differente peso di importanza. Due diversi modelli sono stati utilizzati per studiare la capacità di rilevamento delle diverse condizioni operative della valvola sana. Il modello 1 è costruito considerando due acquisizioni effettuate variando la pressione di alimentazione, ma mantenendo costante la portata del fluido di lavoro. Al contrario, il modello 2 è costruito considerando due acquisizioni effettuate alla medesima pressione di alimentazione ma variando la portata del fluido di lavoro. Tre differenti algoritmi di apprendimento automatico supervisionato sono stati utilizzati. Precisamente, al fine di predirre le condizioni operative della valvola, sono stati usati gli algortimi k-Nearest Neighbour (k-NN), il Support Vector Machine (SVM) e il Random Forest (RF). L’accuratezza di ogni algoritmo è testata usando tre differenti metodi di valutazione ossia la Confusion Matrix, il Cohen’s kappa, e l’indice Jaccard. I risultati ottenuti mostrano che l’algoritmo RF è il più efficace nell’identificazione delle condizioni operative della valvola, con un’accuratezza del 100% per il modello 1 e un’accuratezza del 97.9% per il modello 2.