Estimating Remaining Useful Lifetime using Deep Learning on Water Cooled Power Cables

Abstract

Moderne industri blir intensivt overvåket av høyere antall sensorer og tilstandsovervåkingsutstyr. Dette genererer store mengder data tilgjengelig for utnyttelse og analyse. Elkems produksjonsanlegg i Thamshavn er et slikt eksempel på dette, og studeres i denne oppgaven. Thamshavn er et ovnsanlegg som består av en enorm mengde kritisk utstyr. Et kritisk utstyr er vannkjølte fleksible strømkabler, som er under overvåkning av sensorutstyr. Brudd og nedbrytning av disse kablene fører til uønskede stopp i ovnsanlegget. Derfor er prediktive modeller blitt utforsket i denne oppgaven for å avgjøre når vedlikeholdstiltak er nødvendig på de fleksible strømkablene. Maskinlæring og dyplæringsmodeller blir utforsket som prediktive modeller, trent av historiske sensordata tilknyttet fleksibelen. Det er vist at tilbakevendende nevrale nettverk overgår de andre implementerte prediktive modellene, som er fremadgående nevrale nettverk, lineær regresjon, LASSO-regresjon og "random forest" regresjon. Dette er fullstendig datadrevne modeller, som vil si at ingen domenekunnskap eller anvendelse av fysikklover er påkrevd. Ovnens produksjonsprosess er kontinuerlig, så det er med god innsikt å vite om det fleksible vil fungere skikkelig når anlegget kan være underbemannet. Dette gjør at Elkem kan planlegge på forhånd hvilke kostnadseffektive vedlikeholdstiltak som skal tas. Noen handlinger av disse handlingene inkluderer: å skylle det fleksible med høy vannstrøm for å forlenge den gjenværende levetiden til det fleksible, planlegge omorganisering av fleksiblene, og planlegge den optimale tiden for å stenge ovnen for å gjøre utskifting.

Modern industry are intensively being more monitored by higher number of sensors and condition monitoring equipment. This generates vast amounts of data available for exploitation and analysis. Elkem's production facility located in Thamshavn is one such example of this, and is studied in this thesis. Thamshavn is a furnace plant, which consists of a vast amount of critical equipment. One such equipment is the water-cooled flexible power cables, which is heavily monitored. Breakage and degradation of these cables leads to undesirable stops in the furnace plant. Therefore predictive models have been explored in this thesis, to determine when maintenance actions are necessary on the flexible power cables. Machine learning and deep learning models are explored to serve as predictive models, trained by historical sensor data associated with the flexibles. It is shown that recurrent neural networks outperforms the other implemented predictive models, which are feedforward neural networks, linear regression, LASSO regression and random forest regression. These are completely data-driven models, relying on none applied domain knowledge or laws of physics. The furnace production process is continuous, so it is of great insight to know if the flexible will function properly during times the plant might be understaffed. This allows Elkem to plan in advance for which cost-efficient maintenance actions to be taken. Some actions of these actions include: flushing the flexible with high flow of water to extend the remaining useful lifetime of the flexible, planning reordering of the flexibles, and scheduling the optimal time for shutting down the furnace to do replacement.