Avanzamenti nella rilevazione dei guasti per i sistemi industriali

La rilevazione dei guasti è fondamentale nei sistemi industriali per evitare malfunzionamenti inaspettati e migliorare le prestazioni, distinguendo tra operazioni normali e anormali. Con l'aumento dei dati di monitoraggio delle condizioni provenienti da sistemi industriali complessi, i metodi basati sui dati per la rilevazione dei guasti sono diventati più popolari. Tuttavia, rilevare i guasti precocemente può ancora essere difficile nelle situazioni reali.

Le diverse condizioni operative e ambientali possono rendere difficile raccogliere abbastanza dati di addestramento che coprano tutti gli scenari possibili, specialmente quando un sistema è nuovo. Inoltre, queste condizioni possono cambiare nel tempo, creando nuovi schemi di dati in futuro che non sono mai stati visti prima. Queste sfide rendono difficile condividere conoscenze tra diverse unità e nel tempo, portando a un divario tra i dati di addestramento e i dati reali, il che può ridurre le prestazioni di questi metodi di rilevazione.

#La Necessità di Migliori Rilevazioni dei Guasti

Per affrontare queste sfide, presentiamo un nuovo approccio per l'adattamento continuo del dominio in fase di test. Questo metodo consente una rilevazione più forte e veloce delle attività insolite, anche quando le condizioni operative stanno cambiando. Introduciamo un framework chiamato Rilevazione delle Anomalie con Adattamento del Dominio in Fase di Test (TAAD), che separa le variabili di input in due gruppi: parametri del sistema e misurazioni. Questo metodo utilizza due moduli diversi per adattarsi a ciascun tipo di input individualmente. Questo consente al sistema di adattarsi efficacemente alle condizioni operative che cambiano, specialmente in situazioni con dati limitati.

Il nostro approccio ha mostrato notevoli miglioramenti nella rilevazione dei guasti quando testato su un dataset reale riguardante il monitoraggio delle pompe, dimostrando la sua accuratezza e affidabilità.

#La Sfida della Rilevazione dei Guasti

Rilevare i guasti significa trovare segnali di guasti o degrado in sistemi industriali complessi per prevenire guasti o malfunzionamenti del sistema. Una rilevazione dei guasti precoce e affidabile è fondamentale per migliorare le prestazioni delle attrezzature e ridurre i costi di manutenzione. I metodi basati sui dati sono stati ampiamente utilizzati recentemente a causa dell'aumento della quantità di dati di monitoraggio.

Tuttavia, questi metodi spesso presumono che ci siano abbastanza dataset di addestramento rappresentativi da cui imparare in tutte le condizioni possibili. Sfortunatamente, tali dati sono spesso non disponibili a causa della diversità dei sistemi e delle condizioni operative. Questo problema è particolarmente grave per unità nuove o ristrutturate.

Una possibile soluzione è trasferire conoscenze e esperienze operative da unità che hanno dati ampi e pertinenti a quelle che non li hanno. Questo metodo sfrutta l'esperienza delle unità "esperte" per migliorare l'apprendimento e le prestazioni delle unità "inesperte". Tuttavia, questo approccio può portare a risultati scadenti perché questi metodi generalmente presumono che i dati di addestramento e di test siano simili, il che non è vero nelle situazioni reali con diverse condizioni operative. Di conseguenza, un modello addestrato su un'unità può funzionare male su un'altra, portando a molti falsi allarmi e impedendo alle unità di beneficiare delle conoscenze della flotta.

Molte ricerche hanno cercato di risolvere questo problema utilizzando metodi di adattamento del dominio (DA), che mirano a minimizzare le differenze tra un dominio sorgente etichettato e un dominio target non etichettato. Tuttavia, i sistemi industriali spesso mancano di dati etichettati per l'apprendimento supervisionato, e la natura in evoluzione delle condizioni operative presenta ulteriori sfide.

Pertanto, è cruciale adattarsi continuamente ai cambiamenti all'interno della stessa unità e non solo tra unità diverse per garantire una rilevazione efficace dei guasti.

#La Nostra Soluzione Proposta

Il nostro lavoro introduce un nuovo approccio per adattare continuamente il modello durante il test per garantire una rilevazione robusta delle anomalie tra le diverse unità nel tempo. Il framework di rilevazione dei guasti proposto utilizza la ricostruzione dei segnali e integra un modulo di adattamento al dominio progettato per gestire la natura dinamica dei sistemi industriali complessi.

Per evitare di sovraccaricare i dati difettosi durante l'adattamento, categorizziamo le variabili di input in Parametri di controllo e misurazioni dei sensori. Due moduli di adattamento al dominio vengono quindi utilizzati per adattarsi alla distribuzione dei dati di ciascuna categoria separatamente. Questa strategia ci aiuta a separare i cambiamenti normali nel sistema dai cambiamenti anomali, portando a una maggiore accuratezza nel nostro framework di rilevazione delle anomalie.

Incorporando l'adattamento nel processo di rilevazione dei guasti di base, TAAD consente il trasferimento di conoscenze tra diverse unità in una flotta, sfruttando efficacemente la comprensione collettiva della flotta.

#Lavori Correlati

La Prognostica e Gestione della Salute (PHM) è un'area che mira a migliorare le prestazioni delle attrezzature e ridurre i costi rilevando, diagnosticando e prevedendo con precisione la vita utile rimanente delle attrezzature. Questo include l'identificazione precoce dei guasti e la comprensione delle loro origini e tipi.

La rilevazione dei guasti si basa sul riconoscimento di condizioni anomale del sistema in base alle operazioni attuali e ai dati raccolti. Tuttavia, i sistemi industriali del mondo reale presentano sfide specifiche. I dati sui guasti sono spesso scarsi, poiché i fallimenti sono rari in sistemi critici come le reti elettriche e le ferrovie. Può passare molto tempo prima che un sistema si degradi abbastanza da causare un guasto, il che significa che molti guasti non vengono visti nei dati di addestramento.

Per affrontare queste problematiche, i ricercatori si sono concentrati sull'apprendimento non supervisionato per la rilevazione dei guasti, principalmente in tre direzioni.

1. Modelli Probabilistici: Questi mirano a stimare la distribuzione normale dei dati e utilizzano ciò per valutare le anomalie in base a eventuali deviazioni.
2. Modelli di Classificazione One-Class: Questi apprendono la distribuzione normale dei dati senza stimare l'intera distribuzione e creano un confine per classificare i nuovi campioni.
3. Metodi Basati sulla Ricostruzione: Questi utilizzano modelli come gli autoencoders che si concentrano sulla ricostruzione dei dati normali e rilevano i guasti in base agli errori di ricostruzione.

In aggiunta ai metodi non supervisionati, sono stati esplorati approcci di apprendimento semi-supervisionato, che utilizzano alcuni campioni di dati difettosi disponibili per l'addestramento.

#Approcci di Flotta per la Rilevazione dei Guasti

La rilevazione dei guasti non supervisionata generalmente presume che tutte le possibili condizioni normali possano essere apprese da un dataset di addestramento sufficientemente grande. Tuttavia, raccogliere un tale dataset per sistemi nuovi o ristrutturati in un breve lasso di tempo è improbabile. Anche se estendere il periodo di osservazione può portare a più dati, ciò ritarda il monitoraggio precoce.

In queste situazioni, trasferire l'esperienza operativa da unità simili con dati più rappresentativi può migliorare la rilevazione precoce. Queste unità possono formare una flotta in cui ciascuna condivide somiglianze. Ad esempio, una flotta di turbine a gas o automobili prodotte dallo stesso produttore, sebbene con configurazioni diverse, opera in condizioni diverse.

Trasferire direttamente conoscenze da un'unità a un'altra presume che le distribuzioni dei dati siano simili, il che spesso fallisce sotto condizioni operative mutevoli. I metodi tradizionali tentano di raggruppare unità con caratteristiche simili in sotto-flotte. Questi metodi possono fallire quando non esistono unità simili.

Recentemente, l'adattamento del dominio (DA) è stato utilizzato per trasferire conoscenze tra diverse unità o condizioni operative, ma molti metodi DA attuali non affrontano adeguatamente le sfide presentate dalle condizioni operative in evoluzione.

#Adattamento del Dominio per la Rilevazione dei Guasti

Molte ricerche in PHM hanno esplorato l'adattamento del dominio, considerato una sottosezione dell'apprendimento trasferito. Questi metodi mirano ad allineare i dati tra i domini sorgente e target, ma di solito lavorano assumendo che i campioni target siano sufficienti per rappresentare la distribuzione dei dati target.

Tuttavia, questo non è vero per sistemi recentemente installati, dove i dati possono essere limitati, ostacolando il monitoraggio tempestivo. Inoltre, questi metodi generalmente presumono domini target statici, mentre le condizioni operative cambiano spesso continuamente, portando a spostamenti di distribuzione precedentemente non visti.

L'adattamento in fase di test (TTA) mira a modificare un modello che è stato pre-addestrato su un dominio sorgente per adattarsi a un dominio target senza utilizzare dati sorgente. Il modello può essere aggiornato rapidamente in base ai lotti di dati attuali senza bisogno di vedere tutti i dati target.

#L'Adattamento Continuo è Essenziale

I metodi TTA possono essere rischiosi per la rilevazione dei guasti non supervisionata. Quando questi metodi si adattano a un lotto di dati non etichettati, potrebbero erroneamente adattarsi a punti dati anomali che possono confondere il modello e ridurne la capacità di individuare veri guasti.

In sintesi, la rilevazione dei guasti in PHM incontra molte sfide, specialmente in situazioni di scarsità di dati. Gli approcci di flotta tentano di sfruttare la conoscenza di altre unità per migliorare la rilevazione in nuovi sistemi, ma la loro efficacia è limitata da condizioni variabili. I metodi DA attuali o non sono in grado di adattarsi ai cambiamenti in corso del dominio o non funzionano bene con i dati limitati disponibili.

#Definire il Problema

Questa ricerca mira a trasferire conoscenze da sistemi che hanno ampi dati di monitoraggio a quelli operanti in condizioni diverse. Molti di questi sistemi sono nuovi, quindi hanno solo un insieme limitato di osservazioni per comprendere le loro condizioni. I loro schemi di dati possono cambiare continuamente a causa di vari fattori ambientali.

L'obiettivo è adattare il modello precedentemente addestrato in modo che possa prevedere correttamente i risultati per i nuovi sistemi anche con pochissimi campioni di addestramento disponibili. Ci concentriamo su scenari in cui:

1. Non sono disponibili dati anomali per l'addestramento.
2. Sono disponibili pochi dati target per l'adattamento.
3. Si verificano cambiamenti continui durante la fase di test.

#Framework per la Rilevazione delle Anomalie

Sviluppiamo un pipeline di rilevazione delle anomalie basata sulla ricostruzione dei segnali, che si adatta a nuove condizioni operative per una rilevazione dei guasti efficace. Questo metodo utilizza un autoencoder addestrato sui dati normali per ricostruire l'input e rilevare i guasti in base a eventuali deviazioni significative.

Durante il test, i campioni che presentano errori di ricostruzione elevati vengono segnalati come potenziali anomalie. L'autoencoder è composto da due componenti principali: un encoder e un decoder, che trasformano i dati di input in un formato più ridotto e viceversa, imparando a ricostruire accuratamente i dati normali.

Per determinare i guasti, il modello calcola un punteggio di anomalia basato su questi risultati di ricostruzione. Questo punteggio aiuta a identificare quali campioni debbano essere etichettati come anomalie in base alla loro ricostruzione prevista.

#Gestire le Diverse Variabili di Sistema

Adattare i metodi di adattamento del dominio direttamente nella pipeline di rilevazione delle anomalie può portare a confusione quando il modello inizia ad adattarsi a campioni anomali sconosciuti nel lotto di dati attuale. Per differenziare tra cambiamenti nei dati dovuti a variazioni delle condizioni operative e veri guasti, categorizziamo i parametri di input in due gruppi:

1. Variabili di Controllo: Questi sono parametri impostati da operatori o sistemi mirati a ottimizzare le prestazioni.
2. Misurazioni dei Sensori: Queste rappresentano segnali in tempo reale che monitorano i componenti del sistema.

I cambiamenti nelle variabili di controllo possono indicare diverse condizioni operative piuttosto che guasti, quindi teniamo conto di questi separatamente.

#Rilevazione delle Anomalie con Adattamento del Dominio in Fase di Test

Il nostro framework proposto per TAAD consente una rilevazione delle anomalie efficace attraverso l'adattamento online del modello. Il modulo adattivo opera separatamente dal principale modello di rilevazione delle anomalie. Questa separazione era necessaria per evitare di adattare il modello a dati potenzialmente difettosi.

Il modulo adattivo elabora solo le variabili di controllo per aggiornare le previsioni. Questo aiuta a prevenire che il modello confonda variazioni normali con veri guasti. Durante l'adattamento, l'autoencoder pre-addestrato rimane invariato mentre il modulo adattivo apprende da alcuni campioni target per affinare le previsioni, compensando le differenze tra dati sorgente e target.

#Studio di Caso su Dataset Reale di Pompe

#Panoramica del Dataset

In questo studio di caso, puntiamo a una rilevazione dei guasti precoce e affidabile, minimizzando i falsi allarmi durante le operazioni normali. Valutiamo il nostro metodo utilizzando un dataset reale raccolto da vari tipi di pompe in diverse posizioni, mostrando le sfide dei dati rumorosi e delle diverse condizioni operative.

Il dataset è composto da due stazioni di installazione con più pompe dotate di doppi sigilli. Durante la timeline di raccolta dei dati sono stati registrati diversi guasti ai sigilli. Le condizioni operative in continua evoluzione, dove i parametri di controllo vengono regolarmente regolati dagli operatori, aggiungono un ulteriore livello di complessità.

Per il nostro studio di caso, abbiamo selezionato cinque pompe che avevano abbastanza dati per la validazione.

#Selezione dei Dati e Implementazione

Una robusta rilevazione dei guasti è particolarmente critica per nuovi sistemi industriali con brevi storie operative. La nostra strategia prevede di pre-addestrare un modello su una pompa con ampi dati prima di adattarlo a pompe target con dati operativi limitati. Questo mira a ottenere una rilevazione affidabile dei guasti nonostante i dati limitati disponibili per quelle nuove installazioni.

Scegliamo una pompa ben consolidata come nostro dominio sorgente e alleniamo il modello utilizzando i dati provenienti da essa prima di adattarlo alle altre pompe, che fungono da domini target. Il processo prevede di dividere i dati normali per l'addestramento e la validazione.

#Metriche di Valutazione per la Rilevazione Precoce

Data la natura reale del nostro dataset, metriche tradizionali come il punteggio F1 e l'accuratezza possono essere fuorvianti. Invece, valutiamo il nostro metodo di adattamento da due angolazioni:

1. Minimizzare i Falsi Allarmi: Ridurre le imprecisioni nel campionamento dei dati normali causate da spostamenti di dominio.
2. Raggiungere la Rilevazione Precoce dei Guasti: Identificare i guasti prima che vengano segnalati.

Nella rilevazione non supervisionata, il modello apprende i schemi di dati normali per identificare deviazioni. Tuttavia, condizioni nuove possono essere erroneamente classificate come guasti, portando a falsi positivi che dovrebbero essere minimizzati.

Per valutare l'efficacia di TAAD nella riduzione dei falsi allarmi, lo testiamo su dati raccolti in condizioni note di salute. Analizziamo anche i punti di rilevazione più precoci per i guasti per vedere quanto presto possiamo prevederli e quanto siano robusti queste rilevazioni.

#Risultati Sperimentali

#Rilevazione dei Guasti nei Sistemi di Pompe

Gli esperimenti condotti sui sistemi di pompe hanno coinvolto due tipi di studi di caso: l'adattamento all'interno della stessa stazione, che di solito presenta un gap di dominio più piccolo, e l'adattamento tra stazioni diverse, dove il gap tende a ampliarsi a causa delle variazioni ambientali.

#Caso 1: Trasferimento all'interno della Stazione

In questo studio di caso, valutiamo le prestazioni di TAAD su due pompe situate all'interno della stessa stazione di installazione. La prossimità porta a un gap di dominio più piccolo.

La prima pompa ha mostrato due guasti ai sigilli dopo il periodo di adattamento. L'analisi ha mostrato che, mentre tutti i metodi hanno rilevato la perdita iniziale, TAAD non solo l'ha rilevata prima ma ha anche ottenuto prestazioni migliori con meno falsi allarmi. Tuttavia, la perdita successiva si è rivelata una sfida per tutti i metodi tranne TAAD, che è riuscito a rilevarla giorni prima.

La seconda pompa ha anche sperimentato un problema di perdita in seguito. Qui, TAAD ha dimostrato di ridurre efficacemente i falsi allarmi rispetto ad altri metodi, adattandosi bene ai cambiamenti nel tempo.

#Caso 2: Trasferimento tra Stazioni

In questo caso, abbiamo trasferito conoscenze da una pompa in una stazione a una pompa in un'altra stazione, affrontando un gap di dominio più ampio a causa di regimi operativi diversi.

La prestazione di TAAD è stata ancora notevole, poiché ha rilevato guasti prima di altri metodi mantenendo un basso tasso di falsi allarmi. Negli scenari difficili, TAAD è riuscito comunque a identificare con successo i guasti dove altri hanno lottato.

#Conclusione

Questo studio introduce un metodo efficace di adattamento continuo del dominio in fase di test per una rilevazione robusta dei guasti in condizioni mutevoli. Funziona senza necessitare di dati difettosi etichettati e richiede pochissimi dati normali per l'adattamento, soddisfacendo bene le esigenze industriali del mondo reale.

Confrontando con due ulteriori metodi di adattamento del dominio, i risultati evidenziano la capacità di TAAD di raggiungere una rilevazione tempestiva dei guasti attraverso spostamenti significativi del dominio. Nonostante le sue forti prestazioni, ci sono aree di miglioramento, come migliorare il modulo adattivo per prestazioni migliori durante spostamenti significativi e ottimizzare il processo di soglia per risultati migliori.

In generale, TAAD si distingue per la sua praticità e adattabilità, presentando una soluzione promettente per una rilevazione efficace delle anomalie nei sistemi industriali complessi.