Acoustic monitoring of valves for condition-based maintenance of extrusion machines

Early detection of valves internal leakage is fundamental to avoid a safety hazard and financial losses. This thesis proposes an automated diagnostic system capable to successfully classify healthy and faulty valves, by using Acoustic Emission (AE) technique and different Machine Learning (ML) algorithms. Specifically, a microphone is employed to measure the sound pressure on the valve body and the internal leakage is artificially induced by making a 0.1 mm incision on the valve's spool. Moreover, four different combinations of inlet pressure (5 or 20 MPa) and oil flow rate are considered, in order to obtain a dataset as wide as possible and to identify a recognition pattern independent of operating conditions. In order to ensure generalization performance and provide a method of general validity, features are extracted based on the physical model of the leakage process, instead of using an automatic procedure of selection. Hence, Root Mean Square, Maximum Frequency, Frequency Centroid, Peak and Kurtosis are chosen as the most relevant features, since directly related to the acquired AE signals by analytical expressions. Four models are proposed to perform the binary classification task. Model N. 1 computes the frequency spectrum through the average FFT procedure, while model N. 2 estimates the PSD via Welch's method. Both are built on the whole dataset, including all the four operating conditions, according to the primary objective of building a single AI to perform valves online monitoring. Different supervised ML techniques are used to predict the status of valves: Support Vector Machine, Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Categorical Boosting and Feed-Forward Neural Network. RF and XGBoost result as the most promising algorithms in terms of ease of implementation, accuracy of the classification task (87 % on average) and training time required (less than 4.2 s and 0.5 s, respectively). The latter is a relevant parameter for online monitoring of valves since a large training time is even a more critical issue in a real industrial plant, where a huge training dataset has to be used. Instead, models N. 3 and N. 4, based respectively on the FFT and the PSD approaches, were applied to each operating condition in order to build four different AIs and enhance the performance. Nevertheless, higher accuracy scores were reached just for the operating conditions referred to 5 MPa inlet pressure. Even if the increase in performance that was attained was significant (about +10 % accuracy), it did not apply to all the operating conditions considered. Indeed, comparable or worsen results were achieved at 20 MPa inlet pressure, with respect to the single AI model. Hence, the time and the effort required to train four different AIs, instead of a single one, were not justifiable in light of valves online monitoring.

Individuare tempestivamente le perdite interne delle valvole è fondamentale per evitare rischi per la sicurezza e perdite economiche. Questa tesi propone un sistema diagnostico automatizzato in grado di classificare con successo valvole sane e danneggiate, utilizzando le tecniche dell'Emissione Acustica e dell'Apprendimento Automatico. La pressione sonora sul corpo valvola è misurata con un microfono e la perdita interna è simulata praticando un'incisione di 0.1 mm sullo spool della valvola. Inoltre, sono considerate quattro combinazioni di pressione in ingresso (5 o 20 MPa) e portata dell'olio, al fine di ottenere un ampio set di dati e di identificare un pattern di riconoscimento indipendente dalle condizioni operative. Per garantire prestazioni di generalizzazione e fornire un metodo di validità generale, le caratteristiche dell'Apprendimento Automatico sono estratte sulla base del modello fisico della perdita, invece che usando una procedura automatica. Le caratteristiche più rilevanti sono Root Mean Square, Frequenza Massima, Centroide Spettrale, Picco e Curtosi, poiché analiticamente correlate ai segnali acustici acquisiti. Sono proposti quattro modelli per la classificazione binaria. Il modello N. 1 calcola lo spettro mediando le Trasformate di Fourier, mentre il modello N. 2 stima la Densità Spettrale di Potenza con il metodo di Welch. Entrambi i modelli sono costruiti sull'intero set di dati, sulle quattro condizioni operative, con l'obiettivo di costruire una singola Intelligenza Artificiale (AI) per eseguire il monitoraggio online delle valvole. Per prevedere lo stato delle valvole sono utilizzate varie tecniche di Apprendimento Supervisionato: Support Vector Machine, Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Categorical Boosting e Feed-Forward Neural Network. RF e XGBoost sono risultati gli algoritmi più promettenti per facilità di implementazione, accuratezza della classificazione (in media 87 %) e tempo di allenamento (meno di 4.2 s e di 0.5 s, rispettivamente). Quest'ultimo è un parametro rilevante per il monitoraggio online delle valvole, poiché un lungo tempo di addestramento è ancora più critico in un vero impianto industriale, dove è necessario allenare un enorme set di dati. Invece, i modelli N. 3 e N. 4, basati rispettivamente sull'approccio FFT e PSD, sono stati applicati a ciascuna condizione operativa al fine di costruire quattro diverse Intelligenze Artificiali e di migliorare le prestazioni. Tuttavia, si è raggiunta un'accuratezza più alta solo a una pressione di 5 MPa. Anche se l'incremento di prestazioni ottenuto è stato significativo (circa + 10 % di accuratezza), ciò non si è verificato per tutte le condizioni operative. Infatti, rispetto al modello di una singola AI, i risultati raggiunti a 20 MPa sono stati comparabili o peggiori. Pertanto, il tempo e lo sforzo necessari per allenare quattro Intelligenze Artificiali, invece di una sola, non sono giustificati in ottica di monitoraggio online delle valvole.