Ensemble of neural networks for fault prognostics of industrial equipments

Maintenance strategy gains an increasing importance in industry, having a significant fallback on both productivity and safety of the systems. A promising approach to this problem consists in predictive maintenance; in analogy with medical practice, which is based on: the monitoring of the system and the identification of its degradation state to predict possible faults and take a decision about the need for a maintenance and its scheduling. It appears that modelling (e.g., the relation between the outcome of the monitoring process and the true state of the system or the evolution of the system) is a key point in the development of a predictive maintenance policy. However, the complexity and the specificity of technical systems may reach a very high degree, giving the unfeasibility of resorting to analytical models derived by general principles, therefore one may have to resort to empirical models as Artificial Neural Networks to model the phenomenon under analysis. In some fields (such as nuclear, aerospace, oil&gas, etc.) the datasets concerning the degradation and the failure of the equpments can be very small due to the high reliability of these systems , therefore a research effort has been devoted to the attempt to build empirical models which are accurate also in the case of data scarceness. A noteworthy result of this research is the ensemble technique, which consists in combining the outcome of different empirical models to provide a better estimation of the phenomenon under analysis. This work presents the application of an ensemble of neural networks for the identification of the degradation state of a system in the field of deepwater offshore oil wells drilling and a preliminary study for the usage of this kind of empirical model in substitution for an analytical one in prognostics applications.

Le strategie di manutenzione stanno guadagnando un' importanza crescente nell'industria, avendo ricadute significative sia sulla produttività che sulla sicurezza del sistema. Un approccio promettente a questo problema è rappresentato dalla manutenzione preventiva, che si basa sul monitoraggio e la raccolta di dati sullo stato del sistema per predirne eventuali guasti e decidere circa la necessità ed i tempi di un'azione manutentiva. E' chiaro che la modellizzazione è un aspetto fondamentale nello sviluppo di una politica di manutenzione preventiva (ad es. è necessario modellizzare l'evoluzione del degrado del sistema o la relazione tra le misure registrate dai sensori ed lo stato vero del sistema). Tuttavia, gli impianti industriali posso raggiungere livelli di complessità molto elevati, rendendo impossibile il ricorso a modelli analitici derivati da principi generali. Per questo motivo si ricorre spesso a metodi empirici basati su dati raccolti in campagne sperimentali e si utilizzano tecniche di data-mining, quali le Reti Neurali Artificiali, per elaborare dei modelli del fenomeno analizzato. In alcuni settori industriali (es. nucleare, aerospaziale, oil&gas) i dataset sperimentali riguardanti il degrado ed il guasto sono molto limitati a causa dell'elevata affidabilità di questi sistemi, perciò la ricerca si è indirizzata verso il tentativo di sviluppare modelli empirici accurati anche con scarsità di dati. Un risultato degno di nota in questo campo è la tecnica dell'ensemble, che consiste nella combinazione dei risultati di modelli differenti per produrre una stima migliore del fenomeno allo studio. Questo lavoro presenta l'applicazione di un ensemble di reti neurali per l'identificazione dello stato di degrado di un sistema nell'ambito di trivellazioni petrolifere in acque profonde ed uno studio preliminare per l'utilizzo di un tale metodo empirico in sostituzione di modelli analitici in applicazioni per la prognostica.