Modeling Degradation for Prognosis in a Complex Environment - From a Physics-Based Perspective

Abstract

Med den pågående trenden av automatisering og datautveksling i produksjonsteknologier, kjent som Industry 4.0, har vedlikehold utviklet seg til å bli en viktig funksjon i industrien. Modellering av degradering og prognose av en ressurs' livstid blir sett på som en viktig del av nye sofistikerte vedlikeholdsprogrammer som blir tilgjengelig for selskaper. I tillegg ser industrien ut til å møte på utfordringer i praksis, når de prøver å implementere vedlikeholdsprogrammer basert på ressursers livstidsprognose.

I denne masteroppgaven er hovedmålet å fremheve måter å modellere degradering for prognose fra en fysikkbasert tilnærming. Masteroppgaven søker å utvikle en fysikkbasert modell og diskutere de tilknyttede utfordringene til en slik tilnærming. Det overordnede forskningsspørsmålet for denne prosjektoppgaven er:

Hvordan modelleres degradering av fysisk utstyr best?

For å svare på dette spørsmålet brukes en case-studie fra Elkem med reelle data som et eksempel. Case-studien dreier seg om fleksibler, en type utstyr som regelmessig forårsaker uplanlagt stans av silisiumsproduksjon ved Elkem Thamshavn. En litteraturgjennomgang av fysikkbaserte modeller for degraderingsmodellering ble utført, der det ble funnet at god systemforståelse var en forutsetning for å utvikle nøyaktige fysikkbaserte modeller. Derfor, etter denne gjennomgangen, ble systemfunksjoner og utstyrets sviktmekanismer analysert for å kunne bli brukt i en fysikkbasert modell for prognose av fleksiblene. Ettersom en fysikkbasert modell ble funnet vanskelig å oppnå, ble det brukt en stokastisk modelleringsmetode for bedre å modellere usikkerheten som var til stede.

Det er konkludert med at fysikkbaserte modeller kan gi et godt utgangspunkt for enhver prognose og prosess for å lage degraderingsmodeller. Det foreslås et rammeverk for hvordan man kan tilnærme seg en degraderingsmodellering- og prognoseprosess. I tillegg viser arbeidet i denne oppgaven hvordan det er mulig å bruke den fysiske forståelsen man oppnår gjennom en fysikkbasert modelleringstilnærming for å forbedre en stokastisk prognosemodell.

With the current trend of automation and data exchange in manufacturing technologies, known as Industry 4.0, maintenance has developed to become an important business function. Degradation modeling and consequently the prognosis of an asset's lifetime is seen as an important part of new sophisticated maintenance policies that become available to companies. However, the industry is seen to meet challenges when trying to implement such maintenance policies based on the prognosis of an asset's lifetime in practice.

In this thesis, the main goal is to highlight ways of modeling degradation for prognosis from a physics-based approach. It seeks to develop a physics-based model and discuss the connected challenges to such an approach. The overarching research question for this project thesis is:

How is the degradation of physical equipment best modeled?

To answer this question, a case study from Elkem with real data is used as an example. It revolves around flexsibles, a type of equipment that regularly causes unplanned shutdown of silicon production at Elkem Thamshavn. A literature review on physics-based models for degradation modeling was performed, where it was found that a good system understanding was a prerequisite to developing accurate physics-based models. Hence, following this review, system functions and the equipment's failure mechanisms were analyzed to be used in a physics-based model for prognosis of the flexsibles. However, as a physics-based model was found difficult to obtain, a stochastic modeling approach was used to better model the uncertainty that was present.

It has been concluded that physics-based models can provide a good starting point for any prognosis and degradation modeling process. A framework on how to approach a degradation modeling and prognosis process is suggested. In addition, the work in this thesis show how it is possible to use the physical understanding one obtains through a physics-based modeling approach to improve a stochastic prognosis model.