Antecedentes

Tipos de Mantenimiento

Esquema de degradación de un sistema

Evolución Mantenimientos

Definición del problema

• Detección de estados anómalos y el estado actual de la máquina.

• Calcular los tiempos de vida restante útil de Máquinas/herramientas en base a la información de múltiples sensores en tiempo real

• Conjuntar los 2 procesos previos, para predecir el RUL en el caso de que se haya entrado a la fase de transición

Justificación

Existen estudios previos que muestran que es posible realizar la detección de anomalías y predicción de vida útil usando datos de sensores ( de un tipo de sensor), pero es posible extender las metodologías y aumentar el desempeño en estas tareas usando la combinación de sensores y desarrollar algoritmos nuevo de ML e IA.

Objetivos

• Implementar los métodos de ML e IA para detectar estados anómalos (estado correcto, transición, fallo) en tiempo real,

• Lograr predecir con buena precisión el RUL (Tiempo de Vida Restante Útil) de componentes/máquinas a partir de los datos sensoriales disponibles

• Cálculo de características de datos de sensores (WPD,Estadistícas,FFT) y implementar metodología de selección de características importantes.

Objetivos

• Implementar en diferentes aplicaciones (Componentes críticos de sistemas hidráulicos, drilling)

• Se pretende exponer las ventajas de métodos más recientes vs métodos clásicos, y de los métodos propuestos contra los métodos de la literatura.

Metodología

Metodología Online

Metodología

Métricas

Para comparar los modelos y sus desempeños se usará algunas métricas relevantes como las siguientes:

Datos para experimentos

NASA Bearings

DRILLING

http://www.iitk.ac.in/iil/datasets/

FEMTO PHM2012

Estadísticos para el dominio del Tiempo

Dependiendo la frecuencia de muestreo de la señal y de las frecuencias internas de la señal, es posible sumarizar la información y reducir a una matriz de características por cada cierto segmento de un tamaño apropiado con lo cual puede ser más manejable tratar la información para dejarla lista para realizar clasificación o agregación

^{Wavelet Packet Transform y Wavelet Decomposition}

Fast Fourier Transform

Matriz de Características

Experimento clasificación de errores (Drilling)

• Se realizó un ejercicio de clasificación sobre datos de Drilling, para usar algunos de los pasos como es el preprocesamiento, la transformación de características y la clasificación en sí. Aún está pendiente realizar Optimización de hiperparametros y validar con varias métricas el desempeño.

• Se mandó ejecutar varios clasificadores base para ver cuanta diferencia se muestra entre los clasificadores base contra los de boosting y bagging, y ver si los que consideran relaciones lineales logran algo por encima del azar.

Clasificación Drilling Accuracy/Performance

Resultados

FEMTO PHM 2012 (Metodologías)

Se ha aplicado 2 metodologías :

• Usar los datos de entrenamiento sin considerar estratificar modelos en base a tipos de Bearings

• Generación de modelo por cada tipo de Bearing, y selección de modelo usando (DTW, HMM)

Al momento ambos métodos presentan resultados no mejores al ganador de la competencia

FEMTO PHM 2012 (Metodologías)

FEMTO PHM 2012 (Resultados)

FEMTO PHM 2012 (Resultados)

Para la competencia PHM 2012 Nectoux, Gouriveau, Medjaher, et al. (2012) se solicita usar una métrica que penaliza más los pronósticos tardíos

$$\%Er_i = 100*\frac{ActRUL_{i}-\hat{RUL}}{ActRUL_i}$$

y la penalización se realiza con la siguiente función

$$A_{i} = \begin{cases} e^{-ln(0.5)(Er_i/0.5)} & \text{si \(Er_i \leq 0\)}\ e^{+ln(0.5)(Er_i/20)} & \text{si \(Er_i \geq 0\)}\ \end{cases}$$

• Sin seleccionar modelo en base a datos de señal: $A_i ~ 0.10-0.15$
• Seleccionando modelo en base a DTW o HMM : $A_i ~ 0.20-0.25$
• Ganador de la competencia Sutrisino Sutrisno, Oh, Vasan, and Pecht (2012): $0.3066$

NASA Bearings IMS (Análisis Exploratorio)

NASA Bearings (Metodologías )

Se está desarrollando y buscando la metodología adecuada,

• Obtener características, Selección de Variables importantes, Usar cada señal por separado, Seleccionar mejor modelo según ajuste de señal de prueba.
• Usar método MoG-HMM como se propone en Tobon-Mejia, Medjaher, Zerhouni, et al. (2012)
• (Pendiente) Aumentar características agregando como predictor la clasificación del estado de la maquina (bueno,transición)

NASA Bearings (Resultados)

Aún se está en desarrollo por lo cual aún no se tiene resultados concluyentes para este experimentos, a excepción de pruebas de validación.

Contribuciones

• Existen estudios previos que muestran que es posible realizar la detección de anomalías con el sensor, por ejemplo: es posible detectar las fallas de bombas y cálculo de RUL con los datos de acelerómetros, en este estudio proponemos combinación de sensores (acelerómetro, voltaje y corriente) para mejorar la precisión del resultado del modelo de pronóstico.

• Algoritmo corriendo durante la generación de los datos.

Conclusión y Trabajo Futuro

• Se comparó métodos base o clásicos contra métodos de boosting para comprobar la diferencia en desempeño.

• Se vio que es posible aumentar la exactitud de las predicciones de clasificación, usando características Wavelets.

• Para la parte de Predicción de tiempo o ciclos de vida restante útil, se ha probado varias metodologías y aun se esta realizando desarrollo y pruebas de otra metodología.

• En cuanto al documento formal de la tesina se tiene un avance considerable, falta agregar parte de los resultados que se tienen más los que faltan, y agregar un capítulo de teoría.

Bibliografía

Friedman, J, T. Hastie and R. Tibshirani (2001). The elements of statistical learning. Vol. 1. 10. Springer series in statistics New York.

James, G, D. Witten, T. Hastie, et al. (2013). An introduction to statistical learning. Vol. 112. Springer.

Lee, J., H. Qiu, G. Yu, et al. (2009). Rexnord Technical Services (2007).'Bearing Data Set', IMS, University of Cincinnati. NASA Ames Prognostics Data Repository.

Nectoux, P., R. Gouriveau, K. Medjaher, et al. (2012). "PRONOSTIA: An experimental platform for bearings accelerated degradation tests." In: IEEE International Conference on Prognostics and Health Management, PHM'12. IEEE Catalog Number: CPF12PHM-CDR. , pp. 1-8.

Saxena, A., J. Celaya, E. Balaban, et al. (2008). "Metrics for evaluating performance of prognostic techniques". In: 2008 International Conference on Prognostics and Health Management. IEEE. , pp. 1-17.

Bibliografía

Sutrisno, E., H. Oh, A. S. S. Vasan, et al. (2012). "Estimation of remaining useful life of ball bearings using data driven methodologies". In: 2012 IEEE Conference on Prognostics and Health Management. IEEE. , pp. 1-7.

Tobon-Mejia, D. A., K. Medjaher, N. Zerhouni, et al. (2011). "Hidden Markov models for failure diagnostic and prognostic". In: 2011 Prognostics and System Health Managment Confernece. IEEE. , pp. 1-8.

Tobon-Mejia, D. A, K. Medjaher, N. Zerhouni, et al. (2012). "A data-driven failure prognostics method based on mixture of Gaussians hidden Markov models". In: IEEE Transactions on reliability 61.2, pp. 491-503.

Verma, N, R. Sevakula, S. Dixit, et al. (2015). "Data driven approach for drill bit monitoring". In: IEEE Reliab. Mag, pp. 19-26.

Wu, Q, Y. Feng and B. Huang (2016). "RUL Prediction of Bearings Based on Mixture of Gaussians Bayesian Belief Network and Support Vector Data Description". In: Theory, Methodology, Tools and Applications for Modeling and Simulation of Complex Systems. Springer, pp. 118-130.