Deep learning based methodologies applied to industrial electromechanical systems monitoring

Abstract

(English) In recent years, there has been significant attention from both the academic and industry sectors towards condition-based maintenance of rotating systems. This attention stems from the high relevance of these systems in the industrial sector, particularly in production plants and manufacturing processes. To ensure their high efficiency, safety, and proper performance, it is crucial to have monitoring systems, schemes, and methodologies capable of diagnosing and detecting malfunctions in the various components that comprise the electromechanical rotating system, including electrical motors, bearings, gearboxes, and shafts among others.

However, monitoring schemes face considerable challenges in dealing with the complexity inherent in these systems. This complexity arises from the diverse operational conditions, configurations with multiple components, and the presence of faults of different natures (i.e. mechanical, electrical and/or electromagnetic), occurring in isolated or combined scenarios. In recent times, techniques based on artificial intelligence, particularly artificial neural networks, have gained significant popularity in monitoring schemes. These techniques offer great potential in terms of system characterization and feature extraction, leading to the exploration of methodologies based on them. Furthermore, the advent of deep neural networks, which are multi-layered architectures, represents a significant advancement in the field of pattern recognition.

Nevertheless, the implementation of these schemes in industrial environments continues to present ongoing challenges due to the demanding requirements, such as high reliability, robustness, and scalability, particularly within the context of the new Industry 4.0 paradigm.

In this context, this thesis focuses on the investigation and proposal of a series of complementary methodologies based on deep learning, aiming to enable the implementation of predictive maintenance schemes for the industrial sector. Initially, a data-driven monitoring methodology based on deep learning is proposed for fault diagnosis in complex electromechanical system environments. Subsequently, a methodological process for anomaly identification, comprising deep learning strategies and machine learning tools, is presented. Finally, an intelligent diagnostic model utilizing domain adaptation techniques is proposed, resulting in the creation of a scalable model with the ability to generalize to fault scenarios under different operating conditions and address the issue of performance degradation.

The proposed methodologies are studied and validated using experimental databases of electromechanical systems laboratory based. Quantifiable performance metrics and qualitative validation procedures are employed for rigorous evaluation and validation purposes.

(Español) En los últimos años, el campo de mantenimiento basado en la condición de los sistemas rotativos ha recibido atención tanto del sector académico como de la industria. Esto se debe a la gran relevancia de estos sistemas en el sector industrial, especialmente para los procesos de producción y manufactura. Para garantizar la alta eficiencia, seguridad y correcto desempeño de los diferentes componentes que pueden formar un sistema rotativo, tales como motores, rodamientos, cajas de engranes y ejes, es fundamental contar con sistemas de monitoreo, esquemas y metodologías con la capacidad de diagnosticar y detectar mal funcionamientos de las mismas.

Sin embargo, los esquemas de monitoreo presentan grandes desafíos al tratar con la complejidad de estos sistemas, que implica un ambiente de trabajo sujeto a diferentes condiciones de operación, configuraciones con múltiples componentes y la presencia de fallas de diferente naturaleza, es decir, mecánicas, eléctricas, electromagnéticas, bajo condiciones aisladas o escenarios combinados. Recientemente, las técnicas basadas en inteligencia artificial se han utilizado ampliamente en esquemas de monitoreo, especialmente las redes neuronales artificiales. Debido a su gran capacidad de caracterización y de extracción de características, se ha hecho un esfuerzo por estudiar metodologías basadas en estas técnicas. Además, las arquitecturas multicapa, conocidas como redes neuronales profundas, representan un avance considerable en el campo del reconocimiento de patrones.

Sin embargo, la implantación de estos esquemas en entornos industriales aún presenta un desafío continúo debido a los requerimientos, como la alta confiabilidad, robustez y escalabilidad que deben cumplirse, especialmente en el nuevo paradigma de Industria 4.0.

En este sentido, esta tesis consiste en la investigación y propuesta de una serie de metodologías complementarias basadas en aprendizaje profundo que conducen a la implementación de esquemas de mantenimiento predictivo para el sector industrial. Inicialmente, se propone una metodología de monitoreo de datos basada en aprendizaje profundo para el diagnóstico de fallas para entornos de sistemas electromecánicos complejos. A continuación, se propone un proceso metodológico para la identificación de anomalías compuesto por estrategias de aprendizaje profundo y herramientas de aprendizaje automático. Finalmente, se propone un modelo de diagnóstico inteligente utilizando herramientas basadas en la adaptación de dominio contradictorio. Esto conduce a la creación de un modelo escalable con la capacidad de diagnosticar de manera general, escenarios de fallas bajo diferentes condiciones de operación y resolver el problema de degradación de rendimiento.

El estudio y la validación de las metodologías propuestas se han llevado a cabo mediante bases de datos experimentales de sistemas electromecánicos producidos en laboratorio. Se implementaron métricas de rendimiento cuantificables y también procedimientos de validación cualitativa.