Data driven prognostic algorithms for generator circuit breakers

Prognostics methods have taken, in the last years, center stage in Predictive Maintenance (PdM) where it is desired to estimate the Remaining Useful Life (RUL) of systems and components, in order to plan an intelligent maintenance schedule to avoid catastrophic events and unwanted downtimes. We can divide these methods in two main categories: the Model-Based and the Data-Driven approach. The first approach uses physical models of the system or statistical estimation methods based on state observers. Typical model-based methods are Kalman Filters, Particle Filters, etc. On the other hand, the second approach makes only use of the available monitoring data to train a learning algorithm. We will focus on Data-Driven algorithms by analysing the three most used methods: Polynomial Regression (PR), Artificial Neural Network (ANN) and Support Vector Machine (SVM). The main idea behind these methods is, starting from a known data set D={(x_1,y_1 ),(x_2,y_2 ),…,(x_l,y_l ) }∈R^N X R, where x_i∈ R^N and〖 y〗_i ∈R (x_i is the input vector, which can be formed by time, number of operations, the previous regression values or the combination of all these independent variables; y_l is instead the value of the dependent variable), to understand the function f that better fit the data set, i.e. y_i=f(x_i ), and after that using new input x_j for making a prediction. In the literature these methods are full investigated on some prebuilt data set taken form fast degradation test or simply on measure of signals in presence of noise and are used to reconstruct the un-noised signals and give a prediction of the future evolution of them. Instead we want to analyse the possibility to implement these methods on some degradation dataset taken from the ABB’s Generator Circuit Breakers (GCB) and try to have a prediction of the RUL. The goal of this work is try to understand the differences between the methods.

Negli ultimi anni, i metodi di prognostica hanno assunto sempre più importanza nello sviluppo delle tecniche di Predictive Maintenance (PdM) dove si desidera stimare la Remaining Useful Life (RUL) (vita utile rimanente) di sistemi e componenti, in modo da poter pianificare un intelligente programma di manutenzione per evitare eventi catastrofici e fuori servizio non voluti. Questi metodi possono essere divisi in due differenti categorie: l’approccio model-based e quello di data-driven. Il primo approccio usa modelli fisici del sistema o metodi di stima statistica basati sulle osservazioni dello stato. Tipici metodi di model-based sono i Kalman Firlters, i Particle Filters, etc. Viceversa il secondo approccio utilizza solo i dati di monitoraggio disponibili per addestrare un algoritmo di apprendimento. In questo scritto, ci focalizzeremo sugli algoritmi di data-driven analizzando tre dei metodi più utilizzati: Regressione Polinomiale, Artificial Neural Network e Support Vector Machine. L'idea base di questi metodi è, partendo da una set di dati noti D={(x_1,y_1 ),(x_2,y_2 ),…,(x_l,y_l ) }∈R^N X R, dove x_i∈ R^N e〖 y〗_i ∈R (x_i è un vettore d’input e può essere formato dal tempo, il numero delle operazioni, i valori di regressione precedenti o da una combinazione di tutte queste diverse variabili indipendenti; 〖 y〗_i è invece il valore della variabile dipendente), capire la funzione f che meglio descrive il set di dati, i.e. y_i=f(x_i ), e in seguito usare nuovi input x_j per fare una previsione. In letteratura questi metodi sono stati investigati a fondo su alcuni precostruiti set di dati presi da test di degradazione rapida o semplicemente su alcuni segnali misurati in presenza di rumore e sono usati per ricostruire il segnale pulito e fare una predizione della sua evoluzione. invece il nostro lavoro sarà quello di analizzare la possibilità di implementare questi metodi se alcuni set di dati di degradazione, presi dagli interruttori di macchina (Generator Circuit Breakers) di ABB e provare ad avere una previsione del RUL. L’obiettivo di questo lavoro è indagare le differenze di questi diversi metodi.