Predictive maintenance for internal valve leakage fault using low-frequency monitoring techniques

Maintenance is a fundamental component in the Industrial world. Having an adequate maintenance strategy has several advantages: an increment in quality, productivity, and safety of the system itself. A new maintenance strategy, called Predictive Maintenance, is being adopted in the industrial world. The Predictive Maintenance monitors in continuous time the machine on which this maintenance technique is performed, and from the data, it makes predictions about the machine state through the implementation of pre-processing data algorithms and Machine Learning algorithms. A directional control valve is the extend and retract control for a hydraulic cylinder connecting the pump to the cylinder and to the oil reservoir. The most common fault for this type of valve is the Internal valve Leakage fault generated by the spool wear. The thesis objective consists of realising a Predictive Maintenance strategy for a Directional Control valve solenoid-operated, using low (lower than 10 kHz) frequencies monitoring techniques that identify the valve's fault condition. We implemented data feature extraction algorithms to extract only useful data for fault identification and Machine Learning algorithms to classify the valve state condition from the feature extracted by the feature extraction algorithms. Within the thesis, we proposed a literature review to identify the most common fault and the most common monitoring techniques used for this type of valves. We performed experimental tests to create a dataset on which to apply the Predictive Maintenance algorithms. We damaged the valve's spool to simulate the normal spool wear and the valve internal leakage fault to achieve the latter. We built a data acquisition chain to acquire data in nominal condition and fault condition. We elaborated these data through ad hoc feature extraction algorithms; then, we gave the results of this elaboration to the Machine Learning algorithms to perform fault identification. We presented and compared different Machine Learning algorithms to identify the most suitable one for the system under analysis, combining the data coming from the different monitoring techniques.

La Manutenzione è una componente fondamentale in un impianto industriale. Avere una corretta strategia di manutenzione porta: un aumento della produttività, della qualità, e della sicurezza dell’impianto stesso. La Manutenzione Predittiva sta prendendo piede in ambiente industriale negli ultimi anni. Quest’ ultima monitora a tempo continuo il componente sui cui viene eseguita questa tecnica di manutenzione, e, attraverso algoritmi di Intelligenza Artificiale, è in grado di descrivere lo stato in cui si trova il sistema sotto analisi e identificarne lo stato di usura e di guasto. Una valvola idraulica di controllo direzionale controlla l’estensione e retrazione di un cilindro idraulico collegando la pompa idraulica al cilindro e al serbatoio dell’olio. Il guasto più comune per questo tipo di valvola sono le perdite interne dovute al danneggiamento della spola. L’ obiettivo di questa tesi è quello di realizzare il mantenimento predittivo di una valvola idraulica di controllo direzionale comandata attraverso solenoidi, utilizzando tecniche di monitoraggio del guasto che lavorano in bassa frequenza (< 10 kHz) e che rivelino il guasto. Abbiamo implementato algoritmi di elaborazione dei dati per estrarre solo quelli utili all’identificazione del guasto; inoltre, analizzando i dati estratti dal processo di elaborazione, abbiamo implementato algoritmi di Machine Learning per identificare lo stato della valvola in caso di guasto. Nella tesi, abbiamo proposto un'analisi della letteratura per identificare i guasti e le tecniche di identificazione dei guasti più comuni. Abbiamo effettuato diverse prove sperimentali al fine di creare un set di dati da analizzare e sul quale applicare gli algoritmi di Predictive Maintenance. Abbiamo danneggiato la spola della valvola al fine di simulare il suo normale deterioramento e far così verificare il tipo di guasto in cui si registrano perdite all’interno della valvola. Unendo i dati provenienti dalle diverse tecniche di monitoraggio applicate al sistema, diversi algoritmi di Machine Learning sono stati presentati e comparati, al fine di identificare il più adatto per il sistema in analisi.