DOCTORAT EN AUTOMÀTICA, ROBÒTICA I VISIÓ (Pla 2013)
(English) Concern about energy efficiency has increased in the industry, mainly motivated by rising energy prices and government policies to raise awareness of environmental impact. For this reason, this thesis is dedicated to developing energy efficiency improvements in the industry, optimizing the use of electrical resources, and providing methodologies for proper equipment maintenance. Take into account that energy efficiency is not only maximized with proper management, but also is achieved by enhancing equipment efficiency with early maintenance under a predictive maintenance scheme. The proposed methodologies have been validated in realistic industrial scenarios, using testbeds based on industrial equipment and processes. A case study has been carried out at Bilbao airport to prove the effectiveness of one of the proposed methods. A nonlinear dynamic modeling approach is proposed to create accurate models based on electrical consumption measurements of an industrial machine, whose model structure is widely used in control theory. Using this modeling methodology, an adaptive mechanism is developed that can be defined as a digital twin of a manufacturing machine, being able to update the model when the system undergoes a new behavior. The adaptive digital twin can track the degradation trend of the actual system. The digital twin can be easily integrated into innovative infrastructures such as the energy cloud. The data-driven modeling methodology is used to design a model predictive control approach to improve energy efficiency in a manufacturing machine, without affecting productivity. This control strategy manages the peripheral devices of the machine, guaranteeing the proper operation of the auxiliary tasks while maximizing the energy efficiency of the machine. The adaptive mechanism is integrated with the controller, giving robustness to the control to deal with industrial environments. Towards an energy improvement of the industry through proper maintenance, this dissertation presents condition monitoring approaches for early detection and prognosis of electromechanical system failures, exclusively using electrical measurements. The proposed approaches characterize and monitor the torque oscillations transmitted in the motor stator current. Mechanical and electrical anomalies that can lead to failures are detected early, simply by installing a non-intrusive sensor on the motor. A healthy index is designed to track the degradation trend of the system without the need to specify a particular failure. For industrial cases where the information on possible faults may be limited or null, this healthy index is proposed to deal with those situations, extracting a general condition of an electromechanical system. The health index measures how the behavior of the current spectrum fits into a healthy representation by an average spectrum and its distribution. This methodology provides early warnings to schedule maintenance interventions as soon as possible, where a comprehensive diagnosis can be made. A prognosis methodology is proposed to anticipate failures with enough time to schedule proper maintenance. This is designed to monitor the most critical components that are sensitive to failure. A new health index is presented that characterizes the fundamental failure frequencies. This indicator has a monotonically increasing trend, which has been modeled with exponential regressions. By computing the online multiple exponential regression, a non-parametric distribution of time-to-failure is updated, describing the remaining time to reach an established failure threshold. The most likely time-to-failure is revealed over time, being used to estimate the remaining useful life of the components with confidence limits. With this novel and reliable methodologies, the maintenance process in the industry can be improved, avoiding falls in inefficiencies for a long time that causes energy waste.
(Español) La preocupación por la eficiencia energética ha aumentado en la industria, principalmente motivada por el aumento de los precios de la energía y las políticas gubernamentales para crear conciencia sobre el impacto ambiental. Por esta razón, esta tesis está dedicada a desarrollar mejoras de eficiencia energética en la industria, optimizando el uso de los recursos eléctricos y brindando metodologías para el mantenimiento adecuado de los equipos. Tenga en cuenta que la eficiencia energética no solo se maximiza con una adecuada gestión, sino que también se logra mejorando la eficiencia de los equipos con un mantenimiento temprano bajo un esquema de mantenimiento predictivo. Las metodologías propuestas han sido validadas en escenarios industriales realistas, utilizando bancos de pruebas basados en equipos y procesos industriales. Se ha llevado a cabo un estudio de caso en el aeropuerto de Bilbao para probar la eficacia de uno de los métodos propuestos. Se propone un enfoque de modelado dinámico no lineal para crear modelos precisos basados en mediciones de consumo eléctrico de una máquina industrial, cuya estructura de modelo se usa ampliamente en la teoría de control. Con esta metodología, se desarrolla un mecanismo adaptativo que se puede definir como un gemelo digital adaptativo de una máquina de fabricación, pudiendo actualizar el modelo cuando el sistema experimenta un nuevo comportamiento. La metodología puede rastrear la tendencia de degradación del sistema real, con una fácil integración en infraestructuras innovadoras como la nube de energía. La metodología de modelado basado en datos se utiliza para diseñar un enfoque de control predictivo basado en modelos para mejorar la eficiencia energética en una máquina de fabricación, sin afectar la productividad. Esta estrategia robusta de control, junto al mecanismo adaptativo, gestiona los dispositivos periféricos de la máquina, garantizando el correcto funcionamiento de las tareas auxiliares y maximizando la eficiencia energética de la máquina. Hacia una mejora energética de la industria a través del mantenimiento adecuado, esta disertación presenta enfoques de monitoreo de condición para la detección temprana y el pronóstico de fallas en sistemas electromecánicos, utilizando exclusivamente mediciones eléctricas. Los enfoques propuestos caracterizan y monitorean las oscilaciones de torque transmitidas en la corriente del estator del motor. Las anomalías mecánicas y eléctricas, que pueden provocar averías, son detectadas de forma temprana. Un índice saludable está diseñado para rastrear la tendencia de degradación del sistema sin necesidad de especificar una falla en particular. Para casos industriales donde la información sobre posibles fallas puede ser limitada o nula, se propone este índice de salud para extraer un estado general de un sistema electromecánico. El índice de salud mide cómo el comportamiento del espectro actual encaja en una representación saludable por un espectro promedio y su distribución. Esta metodología proporciona alertas tempranas para programar las intervenciones de mantenimiento lo antes posible, donde se puede realizar un diagnóstico integral. Una metodología de pronóstico es propuesta para anticipar fallas y programar un mantenimiento temprano y adecuado. Esto está diseñado para monitorear los componentes más críticos que son sensibles a fallas. Se presenta un nuevo índice de salud que caracteriza las frecuencias fundamentales de falla, que tiene una tendencia monótonamente creciente; la cual ha sido modelada con regresiones exponenciales. Al calcular la regresión exponencial múltiple en línea, se actualiza una distribución no paramétrica del tiempo hasta la falla, que describe el tiempo restante para alcanzar un umbral de falla establecido. Con estas metodologías novedosas y confiables se puede mejorar el proceso de mantenimiento en la industria, evitando caídas en ineficiencias por mucho tiempo que provocan desperdicio de energía.
Energy efficiency; Manufacturing machines; Electromechanical system; Nonintrusive load monitoring; Data-driven modeling; Motor Current Signature Analysis; Model predictive control; Optimization-based control; Condition monitoring; Edge detection; Event detection; Unsupervised learning; Functional data clustering; Prognostics; Remaining useful life; Time-to-Failure; Non-parametric distribution; Eficiencia energética; Máquinas de fabricación; Sistema electromecánico; Monitoreo de carga no intrusivo; Modelado basado en datos; Análisis de firma de corriente del motor; Control predictivo por modelo; Control basado en optimización; Monitoreo del estado de la maquina; Detección de bordes; Detección de eventos; Aprendizaje no supervisado; Agrupación de datos funcionales; Pronósticos; Vida útil remanente; Distribución no paramétrica; Eficiència energètica; Màquines de fabricació; Sistema electromecànic; Monitorització de càrrega no intrusiu; Modelatge basat en dades; Anàlisi de signatura de corrent delmotor; Control predictiu per model; Control basat en optimització; Monitorització de l’estat de la màquina; Detecció de vores; Detecció d’esdeveniments; Aprenentatge no supervisat; Agrupació de dades funcionals; Pronòstics; Vida útil romanent; Distribució no paramètrica
620 - Ensayo de materiales. Materiales comerciales. Economía de la energía; 621 - Ingeniería mecánica en general. Tecnología nuclear. Electrotecnia. Maquinaria
Àrees temàtiques de la UPC::Energies | Àrees temàtiques de la UPC::Enginyeria mecànica
Tesi amb menció de Doctorat Internacional i de Doctorat Industrial (Generalitat de Catalunya)
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.