Prognostics and Health Management for Air Compressors Based on Deep Learning Techniques

Abstract

Typiske vedlikeholdsstrategier på luftkompressorer i dag er avhengig av planlagte vedlikeholdstiltak basert på levetidsstatistikk, eller å reparere noe etter det har feilet. Målet med denne oppgaven er å utforske prediktivt vedlikehold på luftkompressorer basert på teknikker innen dyplæring (DL). Det utforskes for å se om det har potensiale til å forbedre tradisjonelle vedikeholdsstrategier med mer moderne metoder som kan avsløre den faktiske tilstanden til systemet. Tre viktige funksjoner i et slikt system er undersøkt. Anomalideteksjon er utforsket for å gi et beskrivende mål på hvor mye systemet avviker fra normal tilstand. Diagnose er undersøkt for å identifisere feil og alvorligheten av dem. Prognose er utforsket for å forutse gjenværende levetid på luftkompressorer og se om konseptet med «transfer learning» kan bidra til å forbedre prediksjonene. Det er også foreslått en metode for å skaffe mer realistiske prediksjoner med tilhørende usikkerhet.

Studiet på anomalideteksjon fikk lovende resultater. Modeller med «Variational autoencoder» (VAE) og «Long short-term memory» (LSTM) med enkoder-dekoder arkitektur klarte å gi innsikt i hvor mye en luftkompressor avvikte fra forventet tilstand. Begge modellene klarte å skille mellom normal- og feiltilstand med høy nøyaktighet. Det ble foreslått en metode for å øke transparensen til anomalideteksjonen. Denne viste seg å detektere at hver feiltype hadde et unikt mønster av sensorer som bidro til det økende avviket fra normalen. Dette kan brukes til å indikere hvorfor en luftkompressor oppfører seg unormalt. Diagnoseeksperimentet viste at de tre DL-teknikkene som ble brukt klarte med nøyaktighet å identifisere feil i luftkompressorer og alvorlighetsgraden av dem. Det er en fordel å bruke fremgangsmåten som kan avgjøre alvorlighetsgraden til ulike feil, siden den kan gi en tidligere indikasjon på hva som er feil i systemet. Det kan derimot være vanskelig å innhente data som muliggjør en slik fremgangsmåte, derfor er den tradisjonelle metoden med ren identifisering av feil mer brukervennlig. Resultatene fra prognose beviste at en LSTM-modell fikk de mest nøyaktige levetidsprediksjonene på den aktuelle kompressoren. Det viste seg å være nyttig å bruke konseptet med «transfer learning» for å forbedre disse prediksjonene, uten å ha flere eksempler av at luftkompressoren blir ødelagt. Det ble foreslått en datadrevet metode for å skaffe og vise usikkerheten i levetidsprediskjonene. Dette bidrar til mer realistiske prediksjoner som igjen kan føre til mer kvalifiserte vedlikeholdsavgjørelser.

De undersøkte metodene for anomalideteksjon, diagnose og prognose har vist seg å være nyttige funksjoner i et potensielt prediktivt vedlikeholdssystem. Sammen kan disse funksjonene forbedre dagens vedlikeholsstrategier på luftkompressorer ved å kontinuerlig overvåke tilstanden til systemet. De foreslåtte metodene kan forutse havari, gjenkjenne feil og måle avvik.

Today, typical maintenance strategies on air compressor systems depend on doing scheduled maintenance actions based on experience, and repairs after failure. The overall goal of this thesis is to explore prognostics and health management (PHM) for air compressors based on deep learning techniques. It is researched in order to see the potential of replacing traditional maintenance strategies with modern predictive maintenance that can capture the actual condition of an air compressor. Three important features in such a system are investigated. First, anomaly detection is investigated to give a descriptive measure of how much the system is deviating from normal operating condition. Second, diagnostics is explored towards identifying faults and their severity. Finally, the topic of prognostics is investigated to predict time until an air compressor fails to operate. Prognostics is also explored towards benefiting from transfer learning and providing uncertainty bounds related to the predictions.

The case study on anomaly detection achieved promising results. Variational autoencoder (VAE) and long short-term memory (LSTM) with encoder-decoder architecture were able to give insight into how much the compressor deviated from expected behaviour. Both models were able to accurately separate between normal and faulty conditions. A method was proposed to increase the transparency of the anomaly detection approach. The results showed that each fault type followed a unique pattern of sensor contribution. The method was able to capture this information and give an indication of why the air compressor behaves unexpectedly. Diagnostics showed that feed-forward neural network (FNN), LSTM, and convolutional neural network (CNN) were accurately able to identify both faults and their severity. Predicting severity has the benefit of giving an earlier indication of potential faults. It can, on the other hand, be challenging to obtain severity labels. This makes the traditional fault identification approach more applicable. Results from prognostics proved that LSTM was the most accurate in predicting when a compressor will fail. Although most of the predictions were accurate, some predictions got too large errors. The concept of transfer learning in prognostics proved useful and were able to improve the predictions. It also has the potential to reduce the number of needed run-to-failure examples. A single-valued prediction can give an illusion of certainty. A data-driven approach was proposed for including uncertainty bounds to the predictions. It contributed to more realistic predictions.

The methods related to anomaly detection, diagnostics and prognostics that was investigated in this thesis are useful features in a PHM system. Together these features can improve the current maintenance strategy on air compressors by allowing online monitoring of the condition of a system. The suggested approaches have the potential to predict when a compressor will fail and why.