Development of advanced computational methods for prognostics and health management in energy components and systems

For industry, unforeseen equipment failure is costly, both for repair and lost revenue. To face this problem, keeping maintenance costs reasonably low, a predictive maintenance strategy has emerged in recent years, based on assessing the actual equipment condition and predicting the optimal time at which performing maintenance. The underlying concept is that of failure prognostics, i.e., predicting the Remaining Useful Life (RUL) of the equipment defined as the time left before it fails to perform its function according to design specifications. Many diverse prognostic methods have been proposed in the last decades, primarily due to the wide variety of systems and applications they have been designed for. Those methods can be classified in model-based methods, which make use of an explicit mathematical model of the degradation process, and data-driven methods, which base their predictions on models of the degradation process learned from time series of observed degradation states, or on directly mapping the relation between observations and equipment RUL. Three main open issues in prognostics are the pre-treatment of noisy or unreliable field data, the choice of a suitable prognostic approach given the type and quality of information available, the quantification of the prediction uncertainty. In this context, the research activity presented in this work has focused on: (i) developing methods for the verification and pre-treatment of degradation-related field data, in order to derive reliable prognostic information from them; (ii) identifying the most representative situations of information available, and developing properly tailored prognostic approaches to tackle each of them; (iii) analyzing the sources of uncertainty affecting the RUL prediction and providing methods for their quantification; (iv) evaluating the proposed prognostic methods in terms their accuracy in predicting the equipment RUL and their ability of providing measures of confidence in the RUL predictions produced.

Un guasto inaspettato dei componenti rappresenta un grande costo per l’industria, sia per le spese di riparazione che per le perdite di guadagno. Per affrontare questo problema, mantenendo i costi di manutenzione relativamente bassi, è emersa negli ultimi anni una strategia di manutenzione predittiva, fondata sulla valutazione dell’effettiva condizione del componente e la previsione del momento ottimale per attuare l’intervento di manutenzione. Il concetto alla base di questa strategia è quello della prognostica, cioè la previsione della vita utile residua (RUL) del componente, definita come il tempo rimasto prima che esso smetta di svolgere le sue funzioni nel rispetto delle specifiche di design. Negli ultimi decenni, svariati metodi prognostici sono stati proposti, principalmente a causa della grande varietà di sistemi e applicazioni per cui sono stati pensati. Essi possono essere classificati in model-based e data-driven. I primi basano la loro previsione su un modello fisico del processo di degrado, i secondi su un modello del processo di degrado imparato dai dati a disposizione o su una mappatura diretta della relazione tra osservazioni e RUL del componente. Le principali linee di sviluppo ancora aperte in prognostica riguardano il pre-trattamento di dati rumorosi e poco affidabili, la scelta di metodi prognostici appropriati al tipo di informazione disponibile e la quantificazione dell’incertezza dei diversi metodi nella previsione della RUL. In questo contesto, l’attività di ricerca presentata in questo lavoro si è focalizzata su: (i) lo sviluppo di metodi per la verifica e il pre-trattamento di dati relativi al degrado di componenti industriali, con lo scopo di derivare da essi un’informazione affidabile; (ii) l’identificazione delle principali situazioni di informazione disponibile e lo sviluppo di approcci prognostici appropriati per ciascuna di esse; (iii) l’analisi delle fonti di incertezza che interessa la previsione della RUL e la loro quantificazione; (iv) la valutazione dei metodi proposti relativamente alla loro capacità di fornire previsioni della RUL accurate e di quantificare correttamente l’incertezza di previsione.