Design and validation of a methodology to implement data-driven predictive maintenance in industrial environments
- Autores: Oscar Serradilla Casado
- Directores de la Tesis: Urko Zurutuza Ortega (dir. tes.), Ekhi Zugasti Uriguen (codir. tes.)
- Lectura: En la Mondragon Unibertsitatea ( España ) en 2022
- Idioma: inglés
- Tribunal Calificador de la Tesis: Basilio Sierra Araujo (presid.), Jose Ignacio Aizpurua Unanue (secret.), José M. Alonso Moral (voc.), Urko Leturiondo Zubizarreta (voc.), Gian Antonio Susto (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería Aplicada por la Mondragón Unibertsitatea
- Materias:
- Enlaces
- Resumen
- español
Las nuevas tendencias en la fabricación y la industria llevan a digitalizar todos los procesos y máquinas y a comunicarlos formando sistemas ciberfísicos (CPS), facilitando la monitorización de los procesos y la adquisición de datos. El análisis de esa cantidad de datos proporciona nuevos conocimientos sobre la calidad de los productos, la optimización de los procesos y el mantenimiento predictivo (PdM). El PdM analiza los activos industriales para llevar a cabo acciones de mantenimiento que prolonguen su vida útil y se anticipen a sus fallos para prevenirlos, optimizando los costes de mantenimiento respecto a las estrategias de mantenimiento correctivo y mantenimiento predeterminado. Los sistemas PdM tienen como objetivo monitorizar los activos industriales para detectar anomalías, diagnosticar su causa raíz, predecir su degradación y proponer acciones de mitigación.
La investigación sobre los sistemas PdM basados en datos ha aumentado en los últimos seis años debido a su capacidad para modelar sistemas industriales complejos aprendiendo de la gran cantidad de datos recogidos de los activos industriales. Sin embargo, rara vez son transferidos a escenarios de producción industrial debido a que no logran incorporar el conocimiento de los expertos del dominio al sistema. Además, la mayoría de los trabajos basados en datos no abordan requisitos industriales como la interpretabilidad, la ejecución en tiempo real, la detección de nuevos patrones de funcionamiento o el modelado de la incertidumbre. No existe ninguna metodología que guíe el ciclo de vida de los modelos PdM basados en datos en entornos industriales, lo que facilitaría la implementación de los sistemas de PdM en casos de uso reales para reducir sus costes de mantenimiento y evitar paradas de producción.
La principal aportación de esta tesis es el diseño y la validación de la metodología para combinar de técnicas basadas en datos y conocimiento experto en la aplicación de mantenimiento predictivo (MEDADEK-PdM). La metodología define las etapas, los pasos y las tareas necesarios para guiar el diseño, el desarrollo y la implementación de sistemas de PdM basados en datos según las características del proceso y su negocio. Además, define los perfiles de trabajo necesarios para facilitar su colaboración e incluye una lista de entregables resultantes de su implementación. El diseño de la metodología es flexible e iterativo, combinando estándares, metodologías del estado del arte y trabajos relacionados del campo de investigación.
La metodología ha sido validada empíricamente mediante su aplicación en tres casos de uso industriales. El primer caso de uso consiste en detectar anomalías en motores de aviación mediante el modelado de datos de funcionamiento correcto, abordando la detección de nuevas anomalías con sistemas de PdM basados en datos en un entorno de simulación. El segundo caso de uso consiste en estimar y explicar la vida útil restante (RUL) de los experimentos en un banco de pruebas de casquillos, combinando sistemas de PdM basados en datos con técnicas de inteligencia artificial explicable (XAI) y conocimiento del dominio. El tercer caso de uso implementa un sistema de PdM adaptable basado en datos para la detección y el diagnóstico de anomalías de forma semisupervisada en datos de proceso de máquinas de prensa. El sistema detecta nuevas anomalías y realiza su diagnóstico mediante la combinación de técnicas de XAI, clustering y proyección.
La adaptabilidad del sistema a cambios en condiciones ambientales y operacionales (EOC) se aborda mediante el aprendizaje por transferencia.
La aplicación de la metodología propuesta guía el ciclo de vida de los sistemas PdM basados en datos, integrando al humano en el bucle (HITL) para incluir el conocimiento del dominio. Como resultado, los sistemas PdM obtenidos abordan los requisitos industriales específicos de cada caso de uso, obteniendo un equilibrio entre precisión y explicabilidad.
La adaptabilidad del sistema a cambios en condiciones ambientales y operacionales (EOC) se aborda mediante el aprendizaje por transferencia.
- euskara
Fabrikazioaren eta industriaren joera berriek prozesu eta makina guztiak digitalizatzera eta komunikatzera eramaten dute sistema ziberfisikoak (CPS) eratuz, prozesuen monitorizazioa eta datuen eskurapena erraztuz.
Datu kopuru horren analisiak ezagutza berriak ekartzen ditu produktuen kalitateari, prozesuen optimizazioari eta mantentze prediktiboari (PdM) buruz. PdMk aktibo industrialak aztertzen ditu hauen balio-bizitza luzatzen duten mantentze-ekintzak gauzatzeko eta hauen akatsei aurreratuz hauek prebenitzeko, mantentze-kostuak optimizatzeko mantenketa zuzengarria eta aurrez zehaztutako mantentze estrategiekin alderatuz. PdM sistemen helburua aktibo industrialak monitorizatzea da, anomaliak detektatzeko, horien kausa diagnostikatzeko, degradazioa aurreikusteko eta arintze-ekintzak proposatzeko.
Datuetan oinarritutako PdM sistemei buruzko ikerketak gora egin du azken sei urteotan industria-sistema konplexuak modelatzeko duten gaitasunagatik, industria-aktiboetatik jasotako datu kopuru handitik ikasiz. Hala ere, gutxitan transferitzen dira industria-produkzioko inguruneetara, ez baitute adituen ezagutza sisteman txertatzen. Gainera, datuetan oinarritutako lan gehienek ez dituzte baldintza industrialak jorratzen, hala nola interpretagarritasuna, denbora errealean gauzatzea, funtzionamendu-patroi berriak detektatzea edo ziurgabetasuna modelatzea. Ez dago industriainguruneetan datuetan oinarritutako PdM ereduen bizi-zikloa gidatuko duen metodologiarik, eta horrek PdM sistemak ezartzea erraztuko luke erabilerakasu errealetan, mantentze-kostuak murrizteko eta produkzio-geldialdiak saihesteko.
Tesi honen ekarpen nagusia datuetan oinarritutako teknikak eta adituen ezagutza integratzen duten mantentze prediktiboaren aplikazioak gidatzeko metodologiaren (MEDADEK-PdM) diseinua eta balidazioa da. Metodologian, prozesuko eta negozioko ezaugarrien arabera datuetan oinarritutako PdM sistemen diseinua, garapena eta inplementazioa gidatzeko beharrezkoak diren etapak, urratsak eta zereginak zehazten dira. Gainera, lankidetza errazteko beharrezkoak diren lan-profilak zehazten ditu, eta metodologia inplementatzearen ondorioz sortutako entregagaien zerrenda jasotzen du.
Metodologiaren diseinua malgua eta iteratiboa da, estandarrak, puntako metodologiak eta ikerketa arloarekin lotutako lanak konbinatuz.
Metodologia enpirikoki baliozkotu da, hiru erabilera-kasu industrialetan aplikatuz. Lehenengo erabilera-kasua abiazio-motorretan anomaliak detektatzean datza, funtzionamendu egokiko datuak modelatuz, simulazioingurune batean datuetan oinarritutako PdM sistemekin anomalia berriak detektatuz. Bigarren erabilera-kasua zorro bankuan egindako esperimentuen gainerako bizitza erabilgarria (RUL) kalkulatzean eta azaltzean datza, datuetan oinarritutako PdM sistemak adimen artifizial azalgarriko (XAI) teknikekin eta domeinuaren ezagutzarekin konbinatuz. Hirugarren erabilerakasuak datuetan oinarritutako PdM sistema moldagarri bat inplementatzen du, prentsa-makinen prozesu-datuetan anomaliak modu erdi-superbisatuan detektatzeko eta diagnostikatzeko. Sistemak anomalia berriak detektatzen ditu eta horien diagnostikoa egiten du XAI, multzokatze eta proiekzio teknikak konbinatuz. Sistemak ingurumen-baldintzen eta baldintza operatiboen (EOC) aldaketetara egokitzeko gaitasuna lortzeko transferentzia bidezko ikaskuntza erabiltzen du.
Proposatutako metodologiaren aplikazioak datuetan oinarritutako PdM sistemen bizi-zikloa gidatzen du, gizakia buklean (HITL) integratuz domeinuaren ezagutza sartzeko. Horren ondorioz, lortutako PdM sistemek erabilerakasu bakoitzaren baldintza industrial espezifikoak jorratzen dituzte, zehaztasunaren eta azalgarritasunaren arteko oreka lortuz.
- English
New trends in manufacturing and industry lead to digitalise all processes, machines and communicate them forming Cyber Physical Systems (CPS), facilitating process monitoring and data acquisition. The analysis of that amount of data provides new insights in product quality, process optimisation and Predictive Maintenance (PdM). PdM analyses industrial assets to perform maintenance actions that extend their life and anticipate their failures to prevent them, optimising maintenance costs with respect to timebased and corrective maintenance strategies. PdM systems aim to monitor industrial assets to detect anomalies, diagnose their root cause, predict their degradation and propose mitigation actions.
Research on data-driven PdM systems has increased in the last six years due to their capability to model complex industrial systems by learning from the large amount of data collected from industrial assets. However, they are rarely transferred to industrial production scenarios due to they fail incorporating domain expert knowledge to the system. In addition, most datadriven works do not address industrial requirements such as interpretability, real time execution, novelty detection or uncertainty modelling. No methodology to guide the life-cycle of data-driven PdM models in industrial environments exist, which could facilitate the implementation of PdM systems in real use-cases to reduce maintenance costs and avoid production breakdowns.
The main contribution of this thesis is the design and validation of the methodology for data-driven techniques and expert knowledge combination for predictive maintenance MEthodology for DAta-Driven techniques and Expert Knowledge combination for Predictive Maintenance (MEDADEK-PdM). It defines the stages, steps and tasks to guide the design, development and implementation of data-driven PdM systems according to business and process characteristics. It defines the required working profiles to facilitate their collaboration, and includes a list of deliverables.
The methodology is designed in a flexible and iterative way, combining standards, state-of-the-art methodologies and related works of the field.
The methodology has been validated empirically by its application in three industrial use-cases, where industrial requirements are addressed. The first use-case consists of modelling correct working engine data to detect anomalies in run-to-failure aviation engine data, addressing novelty detection with data-driven PdM systems in a simulated environment. The second usecase consists of estimating and explaining the Remaining Useful Life (RUL) of experiments in a bushing testbed, by combining data-driven PdM systems with eXplainable Artificial Intelligence (XAI) techniques and domain knowledge. The third use-case implements an adaptable data-driven PdM system for semi-supervised anomaly detection and diagnosis in press machine process data. The system detects novel anomalies and performs their diagnosis combining XAI, clustering and projection techniques. The adaptability of the system to changing Environmental and Operational Conditions (EOC) is addressed with transfer learning.
The application of the proposed methodology guides the life-cycle of datadriven PdM systems, integrating Human-In-The-Loop (HITL) to include domain knowledge. As a result, the obtained PdM systems tackle the specific industrial requirements of the addressed use-cases, obtaining a trade-off between accuracy and explainability
- español
