Seeing through fouling: automated hybrid warped gaussian processes for predictive maintenance in chemical plants

Industry 4.0 is reshaping the industrial processing sector by turning plants into densely instrumented, data-rich environments where complex operations can be monitored and increasingly optimized through machine learning. In this context, predictive maintenance aims to reduce the strategic planning burden on decision-makers by transforming plant signals into forecasts that allow to quantify risk, enabling a shift from static approaches such as periodic and reactive maintenance toward dynamic strategies that adapt in real time to changing operating conditions. This work develops a physics-informed machine learning methodology based on Gaussian Processes (GPs) to predict the time evolution of fouling-affected industrial systems, investigating strategies to enhance forecasting accuracy and robustness for real-time deployment across process units and datasets. Unit operations from a real used-oil refinery are used as an industrially relevant case study, where it is possible to observe the effect of fouling during operation, a challenging degradation mechanism whose evolution is often difficult to interpret from plant data alone. Deposits form on process surfaces and progressively degrade hydraulics, heat exchange, and mass transfer, with dynamics that vary across runs with feedstock and operating conditions. The non-linearity and non-ideality of the operating environment are illustrated via a process simulation of the main distillation column in Aspen HYSYS. The model adopts a stage-efficiency formulation based on a widely used semi-empirical correlation, and estimated stage efficiencies typically fall in the 35-85\% range, substantially below the ideal case. Complementary thermodynamic calculations of fugacity and activity coefficients indicate that non-ideality is primarily concentrated in the liquid phase. Given the complexity of this setting, this work adopts Gaussian Processes as a flexible, uncertainty-aware framework for predictive maintenance, modeling signals as Bayesian probability distributions to simultaneously capture latent trends and quantify uncertainty. GPs form the core of an algorithm that automatically discovers covariance structure by adapting in real time to changes in the observed data through kernel composition. The baseline procedure performs a greedy kernel search that traverses a tree of progressively more complex models guided by a validation heuristic: at each depth, the current best kernel is expanded via composition operations to generate the next candidate set, enabling rapid deployment and adaptation across datasets. This work proposes two intertwined research directions to enhance the framework in terms of accuracy and robustness: (i) the GP observation model is modified through physics-informed hybrid warping to capture departures from Gaussianity and improve predictive accuracy, and (ii) the kernel-search procedure is analyzed for sensitivity to the validation heuristic and extended beyond the greedy baseline through robust strategies designed to recover the global optimal kernel. These directions converge into a deployable algorithm that supports predictive maintenance and is evaluated on historical plant data, demonstrating advantages over static, threshold-based approaches. During the investigation, the GP observation model is modified by analytically deriving monotonic transformations of the target from pressure-drop governing relations for a vacuum distillation column and its fired heater. This hybrid warping encodes physical constraints in the observation model, including non-Gaussian effects induced by the asymptotic behavior expected as fouling-affected units approach full obstruction. The warp acts as a regularizer for long-horizon extrapolation by promoting physically consistent pressure-drop trajectories, while capturing residual uncertainty through a warping hyperparameter optimized jointly with the GP hyperparameters. In the use case, the adoption of hybrid warping improves forecasting accuracy during aging-driven fouling acceleration in the distillation column and during operators-driven steam blowing events on the associated furnace: probabilistic forecasting errors are reduced on average by 15-70% across cases compared to an unwarped GP baseline, a logarithmic reference warp, and several common time series forecasting baselines. Alongside this evaluation, the kernel-search component is tested through rolling-window forecasting with exhaustive search over literature and industrial datasets, to isolate the effect of the heuristic choice on forecasting accuracy, eliminating possible effects due to the search policy. The results show that performance is largely insensitive to the objective, with common metrics yielding comparable errors across datasets. Next, advanced search strategies are introduced to move beyond the greedy baseline. A beam search with limited-discrepancy backtracking is analyzed and shown to admit a robust combination of beam width and allowed wrong turns that recovers the global optimal kernel across datasets while exploring a fraction of the full domain: the global best model is retrieved robustly across literature and industrial datasets after exploring around 60% of total combinations. Metaheuristics strategies are also tested via genetic programming and simulated annealing, both exhibiting less robust discovery of the optimum across datasets, with convergence depending strongly on stochastic variability. Finally, the resulting framework, combining robust kernel search with hybrid warping, is applied to an industrial case study centered on the vacuum distillation column of a used-oil refinery owned by Itelyum Regeneration S.p.A. The model is deployed via rolling-window forecasting and it is shown to reduce time spent in hydraulically suboptimal operating regions under severe fouling by 70-100%. At the same time, it allows operators to leverage at least 95% of the column life-cycle runtime associated with full-efficiency operations, thereby balancing maximal exploitation of the useful operating cycle with avoidance of excessive overshoot into inefficient fouled regimes. Overall, this work shows that combining Gaussian Process forecasting with physics-informed hybrid warping and a robust, automated kernel-search strategy can turn noisy plant signals into reliable predictions of fouling evolution, supporting maintenance decisions through a risk-informed, adaptive, and transferable forecast-based policy.

L’Industria 4.0 sta trasformando il settore dei processi industriali convertendo gli impianti in ambienti densamente strumentati e ricchi di dati, nei quali operazioni complesse possono essere monitorate e progressivamente ottimizzate tramite machine learning. In questo contesto, la manutenzione predittiva mira a ridurre l’onere di pianificazione strategica per i decisori trasformando i segnali di impianto in previsioni che consentono di quantificare il rischio, permettendo il passaggio da approcci statici, quali la manutenzione periodica e reattiva, a strategie dinamiche che si adattano in tempo reale al variare delle condizioni operative. Questo lavoro sviluppa una metodologia di machine learning di tipo physics-informed, basata sui Processi Gaussiani (GP), per prevedere l’evoluzione temporale di sistemi industriali affetti da sporcamento (fouling), investigando strategie per migliorare l’accuratezza e la robustezza predittiva con l'obiettivo dell’implementazione in tempo reale su diverse unità di processo e dataset. Operazioni unitarie provenienti da una reale raffineria di oli usati sono utilizzate come caso studio di rilevanza industriale, nel quale è possibile osservare l’effetto del fouling durante l’esercizio, un meccanismo di degradazione complesso la cui evoluzione è spesso difficile da interpretare basandosi esclusivamente sui dati di impianto. I depositi si formano sulle superfici di processo e degradano progressivamente l’idraulica, lo scambio termico e il trasferimento di materia, con dinamiche che variano tra le diverse campagne in funzione della carica e delle condizioni operative. La non linearità e la non idealità dell’ambiente operativo sono illustrate mediante una simulazione di processo della colonna di distillazione principale in Aspen HYSYS. Il modello adotta una formulazione basata sull’efficienza di stadio fondata su una correlazione semiempirica ampiamente utilizzata in letteratura, e le efficienze di stadio stimate ricadono tipicamente nell’intervallo 35-85%, risultando sensibilmente inferiori al caso ideale. Calcoli termodinamici complementari dei coefficienti di fugacità e attività indicano che la non idealità è concentrata principalmente nella fase liquida. Data la complessità di questo contesto, questo lavoro adotta i Processi Gaussiani come framework flessibile e consapevole dell’incertezza per la manutenzione predittiva, modellando i segnali come distribuzioni di probabilità bayesiane al fine di catturare simultaneamente le tendenze latenti e quantificare l’incertezza. I GP costituiscono il nucleo di un algoritmo che scopre automaticamente la struttura di covarianza adattandosi in tempo reale ai cambiamenti nei dati osservati attraverso la composizione dei kernel. La procedura di base esegue una ricerca greedy dei kernel che attraversa un albero di modelli progressivamente più complessi guidata da un’euristica di validazione: a ciascuna profondità, il miglior kernel corrente viene espanso mediante operazioni di composizione per generare il successivo insieme di candidati, consentendo un rapido deployment e adattamento tra diversi dataset. Questo lavoro propone due direzioni di ricerca intrecciate per migliorare il framework in termini di accuratezza e robustezza: (i) il modello di osservazione GP viene modificato tramite warping ibrido di tipo physics-informed per catturare deviazioni dalla Gaussianità e migliorare l’accuratezza predittiva, e (ii) la procedura di ricerca dei kernel viene analizzata rispetto alla sensibilità all’euristica di validazione ed estesa oltre la baseline greedy attraverso strategie robuste progettate per recuperare il kernel globalmente ottimale. Queste direzioni convergono in un algoritmo implementabile a supporto della manutenzione predittiva, valutato su dati storici di impianto e capace di dimostrare vantaggi rispetto ad approcci statici basati su soglie. Nel corso dell’indagine, il modello di osservazione GP viene modificato derivando analiticamente trasformazioni monotone della variabile target a partire dalle relazioni che governano la perdita di carico per una colonna di distillazione sotto vuoto e il relativo forno. Questo warping ibrido codifica vincoli fisici nel modello di osservazione, includendo effetti non gaussiani indotti dal comportamento asintotico atteso quando unità affette da fouling si avvicinano all’ostruzione completa. Il warp agisce come regolarizzatore per l’estrapolazione a lungo orizzonte, promuovendo traiettorie di perdita di carico fisicamente coerenti, mentre cattura l’incertezza residua tramite un iperparametro di warping ottimizzato congiuntamente agli iperparametri del GP. Nel caso d’uso, l’adozione del warping ibrido migliora l’accuratezza predittiva durante l’accelerazione del fouling indotta dall’invecchiamento dei residui carbonioisi nella colonna di distillazione e durante eventi di soffiaggio con vapore eseguiti dagli operatori sul forno di carica: gli errori di previsione probabilistica sono ridotti in media del 15-70% nei diversi casi rispetto a una baseline GP senza warping, a un warp logaritmico di riferimento e a diverse baseline comunemente impiegate per la previsione di serie temporali. Parallelamente a questa valutazione, la componente di ricerca dei kernel viene testata tramite previsioni a finestra mobile con ricerca esaustiva su dataset di letteratura e industriali, al fine di isolare l’effetto della scelta dell’euristica sull’accuratezza predittiva, eliminando possibili effetti dovuti alla politica di ricerca. I risultati mostrano che le prestazioni sono in larga misura insensibili all’obiettivo, con metriche comuni che producono errori comparabili tra i dataset. Successivamente, vengono introdotte strategie di ricerca avanzate per superare la baseline greedy. Una beam search con backtracking a discrepanza limitata viene analizzata e dimostrata capace di ammettere una combinazione robusta di ampiezza del beam e numero consentito di svolte errate che recupera il kernel globalmente ottimale nei diversi dataset esplorando solo una frazione dell’intero dominio: il miglior modello globale viene recuperato robustamente su dataset di letteratura e industriali dopo aver esplorato circa il 60% delle combinazioni totali. Vengono inoltre testate strategie metaeuristiche tramite genetic programming e simulated annealing, entrambe caratterizzate da una scoperta meno robusta dell’ottimo tra i dataset, con una convergenza fortemente dipendente dalla variabilità stocastica. Infine, il framework risultante, che combina una ricerca robusta dei kernel con il warping ibrido, viene applicato a un caso studio industriale centrato sulla colonna di distillazione sotto vuoto di una raffineria di oli usati di proprietà di Itelyum Regeneration S.p.A. Il modello viene implementato tramite previsioni a finestra mobile e si dimostra capace di ridurre del 70-100% il tempo trascorso in regioni operative idraulicamente subottimali in presenza di fouling severo. Allo stesso tempo, esso consente agli operatori di sfruttare almeno il 95% del tempo di ciclo di vita della colonna associato a operazioni a piena efficienza, bilanciando così il massimo sfruttamento del ciclo operativo utile, evitando allo stesso tempo eccessivi sconfinamenti in regimi inefficienti ad elevato grado di sporcamento. Nel complesso, questo lavoro mostra che la combinazione di previsioni basate su Processi Gaussiani con warping ibrido physics-informed e una strategia robusta e automatizzata di ricerca dei kernel può trasformare segnali di impianto complessi in previsioni affidabili dell’evoluzione del fouling, supportando le decisioni di manutenzione attraverso una politica previsionale informata sul rischio, adattiva e trasferibile.