Intelligent Prognosis of the Health Status of Industrial Systems

Abstract

The well-functioning and availability of machinery is crucial for the industry. Unexpected breakdowns and downtimes generate substantial financial losses to businesses, in addition to the waste of human and material resources. Considering the subject of Circular Manufacturing (CM), where a more sustainable, efficient and clean industry is promoted, Predictive Maintenance (PdM) emerges as a promising mean to uphold this evolution. Thanks to the Fourth Industrial Revolution (Industry 4.0), sensory data from industrial systems are increasingly available, and with Machine Learning (ML) it is possible to extract information from this data that can point to health problems in the machinery. In this work, a prognostics approach for predicting the health status of an emulated crane translation system through the diagnostics of a virtual rolling bearing is proposed. In the first semester, two preliminary approaches were developed: one Deep Learning (DL) based Remaining Useful Life (RUL) estimator for the PRONOSTIA bearing Dataset, and an unsupervised diagnostics approach for the crane translation system combining the Principal Component Analysis (PCA) with a clustering technique. Following what was learned at the literature’s review, a Convolutional Neural Network (CNN) was tested for diagnostics with the Case Western Reverse University’s (CWRU) rolling bearing vibration dataset and compared with the state-of-the-art for the same case. This network is then used to diagnose the health state of a rolling bearing within the emulated translation system. The synthetic bearing vibration data generated in the emulation is based on the PRONOSTIA dataset, from which a set of different degradation states was manually identified, having their Fourier coefficients extracted using the Discrete Fourier Transform (DFT). A signal generation module was also developed, making possible the creation of several bearing degradation scenarios. This module was integrated into the crane translation system emulator, where the generation of virtual bearing data is synchronized with real data from a crane. Finally, the previously mentioned CNN model was deployed to diagnose the virtual bearing’s health status, which is then used for the translation system's health condition prognosis. The simulation results show that this PdM approach has the potential of preventing the unexpected breakdown of the system within the considered scenarios and might be further developed into a solution for real-world use cases, fulfilling one of the main objectives of the KYKLOS 4.0 project, in which this work is inserted.

O bom funcionamento e a disponibilidade das máquinas são cruciais para a indústria. Falhas e interrupções inesperadas geram perdas financeiras substanciais para as empresas, além do desperdício de recursos humanos e materiais. Considerando o tema da Manufatura Circular (MC), onde é promovido uma indústria mais sustentável, eficiente e limpa, a Manutenção Preditiva (MP) surge como um meio promissor para sustentar essa evolução. Graças à Quarta Revolução Industrial (Indústria 4.0), dados sensoriais de sistemas industriais estão cada vez mais disponíveis, e com Machine Learning (ML) é possível extrair informações desses dados que podem identificar problemas de saúde nas máquinas. Neste trabalho, é proposta uma abordagem prognóstica para prever o estado de saúde de um sistema emulado de translação de uma grua através do diagnóstico de um rolamento virtual. No primeiro semestre, duas abordagens preliminares foram desenvolvidas: um estimador de vida útil remanescente (RUL) baseado em Deep Learning para o dataset PRNOSTIA de rolamentos, e uma abordagem de diagnóstico não supervisionada para o sistema de translação de grua combinando a Análise de Componentes Principais (ACP) com uma técnica de clustering. Seguindo o que foi aprendido na revisão da literatura, foi testada uma Rede Neuronal Convolucional (RNC) para diagnóstico, com o conjunto de dados de vibração de rolamentos da Case Western Reverse University (CWRU), e comparada com o estado da arte para o mesmo caso. Essa rede foi, então, usada para diagnosticar o estado de integridade de um rolamento dentro do sistema de translação emulado. Os dados sintéticos de vibração dos rolamentos gerados na emulação são baseados no dataset PRONOSTIA, a partir do qual um conjunto de diferentes estados de degradação foram identificados manualmente, tendo os seus coeficientes de Fourier sido extraídos por meio da Transformada Discreta de Fourier (TDF). Foi desenvolvido, também, um módulo de geração de sinal, possibilitando a criação de diversos cenários de degradação de rolamentos. Este módulo foi integrado no emulador do sistema de translação, onde a geração de dados do rolamento virtual é sincronizada com dados reais de uma grua. Por fim, o modelo RNC mencionado anteriormente foi aplicado para diagnosticar o estado de saúde do rolamento virtual que é usado para o prognóstico da condição de saúde do sistema de translação. Os resultados da simulação mostram que esta abordagem de MP tem o potencial de prevenir a falha inesperada do sistema dentro dos cenários considerados e pode ser, adicionalmente, utilizada para desenvolver uma solução para casos de uso do mundo real, cumprindo um dos principais objetivos do projeto KYKLOS 4.0, em que este trabalho está inserido.