Statistical Data-Driven Prognostics for Predictive Maintenance
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3068045Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Industri 4.0 legger til rette for ny og forbedret teknologi og automatisering innen industrien. Datainndamling er en viktig driver for å skape verdi på dette området. Når teknologien kontinuerlig utvikles og forbedres, gjøre sensorteknologien det samme. Dette, kombinert med forbedringer i systemstrukturering for å samle inn, trekke ut, lagre og analysere data, er med på å forbedre vedlikeholdsstrategier.
Tilstandsovervåking har blitt en viktig vedlikeholdsstrategi i mange bransjer. Innhenting av informasjon om helse og tilstand til systemkomponenter kan redusere vedlikeholdskostnadene kraftig, samt redusere risikoen for katastrofale feil. Dagens fremvoksende teknologi og spesielt tingenes internet (IoT), gjør det mulig å installere sensorer på alle tenkelige systemkomponenter. Dette fører til bedre og mer innsiktsfull systeminformasjon, selv om den krever kompliserte strategier for datainnsamling og behandling, samt avanserte prediktive teknikker.
Denne oppgaven undersøker mulighetene for å bruke statistiske modeller innen prognostisering og tilstandsovervåkning. Dette innebærer å diagnostisere systemets helse og nåværende tilstand, i tillegg til å forutsi system- og/eller komponentfeil. Kontinuerlige overvåkingssystemer resulterer i store mengder og komplekse data, der tradisjonelle vedlikeholdsstrategier kanskje ikke er like effektive.
Analysen omhandler et gasskompressorsystem på et oljeanlegget kalt Piranema Spirit for selskapet Teekay Petrojarl AS. Fra Teekays bærekraftsrapport fra 2019 heter det at "gjennom internettforbindelse mellom ressurser og sensorer via tingenes internett, er vi i stand til å transformere data til handlingsdyktige tiltak". Grunnlaget for oppgaven er sensordata fra forskjellige aspekter og komponeneter i og ved kompressortoget, der avviket mellom den observerte og predikerte gass brenningen i fakkelen er valgt som en helseindikator for kompressorens ytelse.
Med dataene som er samlet inn, kan trender etableres, feil kan spås og den gjenværende levetiden til en komponent kan beregnes. Vedlikeholdsstrategien er blitt viktig i bransjen, da målet er å sikre et maksimalt intervall mellom reparasjoner, noe som kan føre til forbedret kvalitet og produktivitet og minimere kostnadene forårsaket av uforutsette feil.
Målet med oppgaven er å utforske klassiske statistiske tilnærminger for å forutsi svikt i kompressorsystemet, og sammenligne ytelsen til hver metode for å definere den mest passende og foretrukne måten for prediktivt vedlikehold. Ved å bygge bro mellom teorien og praksis, blir statistisk datadrevet analyse presentert, utført, undersøkt og diskutert. Hypotesen er at en datadrevet modell kan gi tidligere og mer presise advarsler, samt avlede avanserte mønstre og identifisere problemområder som ikke nødvendigvis er anerkjent av prosessingeniørene. Industry 4.0 facilitates new emerging technologies and automation within the manufacturing sector, where data acquisition is a key driver for creating value. When technology is continuously developing and improving, so does the sensor technology. This, combined with the improvements in the system for collecting, extracting, storing, and analyzing data is enhancing maintenance strategies.
Condition monitoring has become a vital maintenance strategy across many industries. Obtaining information regarding the health and condition of the system's components can heavily reduce the maintenance costs as well as reduce the risk of catastrophic failures is a competitive advantage. With today's emerging technology and particularly the Internet of Things (IoT), it is possible to install sensors on every imaginable system component. This leads to better and more insightful system information, though it requires complex strategies for data acquisition and processing, as well as advanced predictive techniques.
This thesis explores the possibilities of using statistical models for Prognostics and Health Management. This involves diagnosing the system's health and current condition, as well as predicting system and/or component failure. Continuous monitoring systems result in large and complex data, where traditional maintenance strategies might not be efficient enough.
The case revolves around a gas compressor system on an oil plant called Piranema Spirit for the collaboration company Teekay Petrojarl AS. Teekay's sustainability report from 2019 states that "through asset connectivity and sensors via the Internet of Things, we are able to transform data into actionable insights". The basis of the thesis is sensor data on different aspects of the compressor train, where the deviation between the observed and predicted flaring is chosen as a health indicator of the compressor performance.
With the data collected, trends can be established, failure can be predicted and the remaining useful life of an asset can be calculated. The maintenance strategy has become vital in the industry, as the aim is to ensure a maximal interval between repairs, which can lead to improved quality and productivity and minimize the cost caused by unscheduled failures.
The goal of the thesis is to explore classical statistical approaches to predict the failure of the compressor system and compare the performance of each method to define the most suitable and preferable way for predictive maintenance. In order to bridge the gap between theory and practice, statistical data-driven analysis is presented, performed, investigated, and discussed. The hypothesis is that a Data-Driven model can provide earlier and more precise warnings, as well as derive advanced patterns and identify problem areas not necessarily recognized by the process engineers.