Predictive Maintenance Architecture for Valve Wear Supervision

This work describes the measurement system and the method for the condition-based maintenance of industrial machineries. The architecture is designed to be integrated in the industrial plant and to provide online monitoring of industrial components for the prediction of faults and estimation of the remaining useful life. Hardware and software components are designed to fulfil these specific purposes. The architecture is tested in different industrial use-cases, internal leakage of valves in die-cast aluminium processes is chosen to show the predictive and wear estimation capabilities of the architecture. As first step, we identified different fault detection methods for the internal leakage of valves; three main monitoring techniques are identified through a literature review analysis based on acceleration, temperature, and current sensors. The identification and refinement of the monitoring techniques to extract data regarding internal leakage fault detection from a 4/3-way solenoid operated directional control valve was carried on through laboratory experiments on a hydraulic block. The analysis of the results showed that acceleration and current monitoring can be used to extract meaningful features for the fault identification task. As second step, we compared different machine learning algorithms to identify the optimal predictive model to solve the monitoring task and to address the missing data problem that may affect online monitoring. The random forest algorithm provided the best performances out of all the algorithms considered and was therefore identified as the one that best fits the predictive maintenance task. Random forest was modified to ease the missing data problem during online acquisitions. The modified algorithm can, indeed, be used when some features are not available, at a cost of a reduced accuracy in prediction. As third step, we identified a suitable method for remaining useful life estimation, through the application of the particle filter algorithm with Monte Carlo simulations. It was possible to estimate with simulations the remaining useful life of solenoid valves. Particle filter was used with simulated data to test the theoretical equations. The architecture was applied on valves in a real industrial framework and it was able to identify leak-related frequencies. Through the observation of these frequencies, it was possible to characterize the theoretical measurement and process equations and observe that the model can be generalized to different valves of the same type, at different operating conditions. About the hardware architecture, we created a suitable system to host the predictive maintenance infrastructure, to process the data coming from the acquisition nodes and broadcast the results to HMIs or PLCs. Measurements node hardware was created ad hoc for the task, embedding high-frequency ADC and filtering stages to achieve the optimal acquisition task. The hardware architecture can be either industrial PC or smart nodes for data elaboration and algorithm computation, additionally equipped with measurement nodes if high frequency sensors must be connected to the condition-based maintenance architecture.

Questo lavoro descrive il sistema di misura e il metodo per la manutenzione di macchinari industriali basato sulla valutazione delle condizioni dei macchinari stessi. L'architettura è progettata per essere integrata nell'impianto industriale e per fornire un monitoraggio in linea dei componenti industriali. L’obiettivo è quello di prevedere i guasti e la stima della vita utile residua. I componenti hardware e software sono stati progettati per soddisfare questi scopi specifici. L'architettura è stata testata in diversi casi d'uso industriali, tra cui quello qui esposto, del trafilamento interno delle valvole nei processi di pressofusione dell'alluminio, per mostrarne le capacità predittive e di stima dell'usura. Come primo passo, sono stati identificati diversi metodi di rilevamento dei guasti per il trafilamento interno delle valvole; attraverso un'analisi della letteratura sono state individuate tre principali tecniche di monitoraggio basate su sensori di accelerazione, temperatura e corrente. È stata scelta una elettrovalvola con controllo direzionale a 4/3 vie per eseguire test di laboratorio, al fine di identificare e perfezionare le tecniche di monitoraggio per l'estrazione dei dati relativi al rilevamento dei guasti di tenuta. La valvola è stata montata su un blocco idraulico per condurre gli esperimenti. L'analisi dei risultati ha dimostrato che il monitoraggio dell'accelerazione e della corrente può essere utilizzato per estrarre caratteristiche significative per l'identificazione del guasto. Come seconda fase, abbiamo confrontato diversi algoritmi di apprendimento automatico. L’obiettivo della seconda fase è stato quello di identificare il modello predittivo ottimale per il compito di monitoraggio e per affrontare il problema dei dati mancanti durante il monitoraggio online. L'algoritmo Random Forest ha fornito le migliori prestazioni tra tutti gli algoritmi considerati ed è stato quindi identificato come quello che meglio si adatta al compito di manutenzione predittiva. Random Forest è stato modificato per risolvere il problema dei dati mancanti durante le acquisizioni online. L'algoritmo modificato può, infatti, essere utilizzato quando alcuni dati non sono disponibili, a costo di una minore accuratezza nella previsione. Come terzo passo, abbiamo identificato un metodo adeguato alla stima della vita utile residua, attraverso l'applicazione dell'algoritmo Filtro a Particelle con simulazioni Monte Carlo. È stato possibile stimare con simulazioni la vita utile residua delle elettrovalvole. Il Filtro a Particelle è stato utilizzato con dati simulati per testare le equazioni teoriche. L'architettura è stata applicata alle valvole in un contesto industriale reale ed è stata in grado di identificare le frequenze legate alle perdite. Attraverso l'osservazione di queste frequenze, è stato possibile caratterizzare le equazioni teoriche di misura e di processo e osservare che il modello può essere generalizzato non solo a diverse valvole dello stesso tipo ma anche a valvole in diverse condizioni operative. Per quanto riguarda l'architettura hardware, abbiamo creato un sistema adatto a ospitare l'infrastruttura di manutenzione predittiva, a elaborare i dati provenienti dai nodi di acquisizione e a trasmettere i risultati a HMI o PLC. L'hardware dei nodi di misura è stato creato ad hoc per questo compito, incorporando ADC ad alta frequenza e stadi di filtraggio per ottenere un'acquisizione ottimale. L'architettura hardware può essere costituita da PC industriali o da nodi intelligenti per l'elaborazione dei dati e il calcolo degli algoritmi di intelligenza artificiale, corredati dai nodi di misura se dovesse essere necessario collegare sensori ad elevata frequenza di campionamento.