Fault diagnosis and prognosis approach using data-driven structurally generated residuals

Abstract

(English) In this thesis, we will propose methods to combine structural analysis methods and data-driven techniques, extending the applicability of conventional model-based diagnosis methods and proposing an extension to the prognosis. Some researchers have already explored similar ideas: for instance, there are some researchers have tried to use techniques like Grey-box recurrent neural networks to generate residuals in order to develop hybrid fault diagnosis methods. Another outstanding research is about combining state-space neural networks and model-decomposition methods for fault diagnosis. However, these studies focus more on the diagnosis part without considering the extension to the prognosis. Furthermore, most of the existing prognostic approaches are based on application-dependent methods that extract features of the measured variables.

In this dissertation, we will apply the idea of extending residuals or analytical redundancy relations (ARRs) analysis from diagnosis part to prognosis part, including several enhancements as avoiding the need to have the mathematical model of the system and considering modelling uncertainty using interval methods. In this thesis, some data-driven structurally generated residuals will be used with the analysis purpose. Given agraphic (or textual) system description and the available input/output measurements, the structure of ARRs between some inputs and outputs can be determined with the aid of the Structural Analysis (SA) of the system. Then, using a machine learning data-driven approach applied to historical non-faulty data, analytical relations between inputs and outputs can be obtained. Thereby, instead of finding ARRs from a physical-mathematical model, ARRs are obtained by combining SA and data-driven approaches. For the linear system, functions calibrated by means of the System Identification Tool-box of MATLAB® will be used for identification. And to deal with general non-linear systems, the adaptive network fuzzy inference system (ANFIS) data-driven approach is used to implement the diagnosis system. Once the ANFIS model has been identified, it is reformulated in linear parameter varying (LPV) form. Then, a fault detection scheme based on a zonotopic LPV Kalman filter and pole placement method is developed. Finally, a fault isolation scheme based on an improved Demptser-Shafer reasoning approach is proposed.

Residuals are used for fault detection purposes activating fault signals when residual values reach anomalous values. In addition, it is possible to predict future faults by means of the detection of anomalous residual deviations. Once an anomalous change in the residual trend has been detected, it is proceeded to estimate when this residual deviation will result in a fault detection and therefore which will be the Remaining Useful Life (RUL) time of the system. For this purpose, the future residual evolution is estimated by means of a regressor function. Nominal and interval parameters of regressor function are estimated with available residual data providing nominal and interval values of the RUL of the system.

Along this dissertation, two study cases: a brushless direct current (BLDC) motor and a well-known case study based on a four-tanks system have been used to illustrate the effectiveness of the proposed methods and algorithms.

(Català) En aquesta tesi, proposarem mètodes per combinar tècniques d'anàlisi estructural i mètodes basats en dades, ampliant l'aplicabilitat dels mètodes de diagnòstic convencionals basats en models i proposant una extensió per al pronòstic. Alguns investigadors ja han explorat idees similars: per exemple, alguns han intentat utilitzar tècniques com les xarxes neuronals recurrents de caixa grisa per generar residus amb la finalitat de desenvolupar mètodes híbrids de diagnòstic de fallades. Una altra investigació destacada és la combinació de xarxes neuronals d'espai d'estats i mètodes de descomposició de models per al diagnòstic de fallades. No obstant això, aquests estudis se centren més en la part de diagnòstic sense considerar l'extensió al pronòstic. A més, la majoria dels enfocaments de pronòstic existents es basen en mètodes dependents de l'aplicació que extreuen característiques de les variables mesurades.

En aquesta dissertació, aplicarem la idea d'estendre l'anàlisi de residus o relacions de redundància analítica (ARRs) des de la part de diagnòstic fins a la part de pronòstic, incloent diverses millores, com evitar la necessitat de tenir el model matemàtic del sistema i considerar la incertesa del modelatge utilitzant mètodes d'intervals. En aquesta tesi, s'utilitzaran alguns residus generats estructuralment basats en dades amb finalitats d'anàlisi. Donada una descripció gràfica (o textual) del sistema i les mesures d'entrada/sortida disponibles, l'estructura de les ARRs entre algunes entrades i sortides es pot determinar amb l'ajuda de l'Anàlisi Estructural (AE) del sistema. Després, utilitzant un enfocament basat en dades d'aprenentatge automàtic aplicat a dades històriques no defectuoses, es poden obtenir relacions analítiques entre entrades i sortides. D'aquesta manera, en lloc de trobar ARRs a partir d'un model matemàtic físic, les ARRs s'obtenen combinant l'AE i enfocaments basats en dades.

Per a sistemes lineals, s'utilitzaran funcions calibrades mitjançant la caixa d'eines d'identificació de sistemes (System Identification Toolbox™) de MATLAB®. I per tractar amb sistemes no lineals en general, s'utilitza l'enfocament basat en dades del sistema d'inferència difusa adaptativa (ANFIS) per implementar el sistema de diagnòstic. Un cop s'ha identificat el model ANFIS, es reformula en forma de paràmetres variables lineals (LPV). Després, es desenvolupa un esquema de detecció de fallades basat en un filtre de Kalman LPV zonotòpic i un mètode de col·locació de pols. Finalment, es proposa un esquema d'aïllament de fallades basat en un enfocament millorat de raonament de Dempster-Shafer.

Els residus s'utilitzen per a finalitats de detecció de fallades, activant senyals de fallada quan els valors dels residus assolixen valors anòmals. A més, és possible predir fallades futures mitjançant la detecció de desviacions anòmales en els residus. Un cop es detecta un canvi anòmal en la tendència del residu, es procedeix a estimar quan aquesta desviació del residu resultarà en una detecció de fallada i, per tant, quin serà el temps de vida útil restant (RUL) del sistema. Per a aquest propòsit, l'evolució futura del residu s'estima mitjançant una funció de regressió. Els paràmetres nominals i d'interval de la funció de regressió s'estimen amb les dades de residu disponibles, proporcionant valors nominals i d'interval del RUL del sistema.

Al llarg d'aquesta dissertació, s'han utilitzat dos casos d'estudi: un motor de corrent continu sense escombretes (BLDC) i un cas d'estudi conegut basat en un sistema de quatre tancs per il·lustrar l'efectivitat dels mètodes i algoritmes proposats.

(Español) En esta tesis, propondremos métodos para combinar técnicas de análisis estructural y métodos basados en datos, ampliando la aplicabilidad de los métodos de diagnóstico convencionales basados en modelos y proponiendo una extensión para el pronóstico. Algunos investigadores ya han explorado ideas similares: por ejemplo, algunos han intentado utilizar técnicas como las redes neuronales recurrentes de caja gris para generar residuos con el fin de desarrollar métodos híbridos de diagnóstico de fallos. Otra investigación destacada es la combinación de redes neuronales de espacio de estados y métodos de descomposición de modelos para el diagnóstico de fallos. Sin embargo, estos estudios se centran más en la parte de diagnóstico sin considerar la extensión al pronóstico. Además, la mayoría de los enfoques de pronóstico existentes se basan en métodos dependientes de la aplicación que extraen características de las variables medidas.

En esta disertación, aplicaremos la idea de extender el análisis de residuos o relaciones de redundancia analítica (ARRs) desde la parte de diagnóstico hasta la parte de pronóstico, incluyendo varias mejoras, como evitar la necesidad de tener el modelo matemático del sistema y considerar la incertidumbre del modelado utilizando métodos de intervalos. En esta tesis, se utilizarán algunos residuos generados estructuralmente basados en datos con fines de análisis. Dada una descripción gráfica (o textual) del sistema y las mediciones de entrada/salida disponibles, la estructura de las ARRs entre algunas entradas y salidas puede determinarse con la ayuda del Análisis Estructural (AE) del sistema. Luego, utilizando un enfoque basado en datos de aprendizaje automático aplicado a datos históricos no defectuosos, se pueden obtener relaciones analíticas entre entradas y salidas. De esta manera, en lugar de encontrar ARRs a partir de un modelo matemático físico, las ARRs se obtienen combinando el AE y enfoques basados en datos.

Para sistemas lineales, se utilizarán funciones calibradas mediante la caja de herramientas de identificación de sistemas (System Identification Toolbox™) de MATLAB®. Y para tratar con sistemas no lineales en general, se utiliza el enfoque basado en datos del sistema de inferencia difusa adaptativa (ANFIS) para implementar el sistema de diagnóstico. Una vez que se ha identificado el modelo ANFIS, se reformula en forma de parámetros variables lineales (LPV). Luego, se desarrolla un esquema de detección de fallos basado en un filtro de Kalman LPV zonotópico y un método de colocación de polos. Finalmente, se propone un esquema de aislamiento de fallos basado en un enfoque mejorado de razonamiento de Dempster-Shafer.

Los residuos se utilizan para fines de detección de fallos, activando señales de fallo cuando los valores de los residuos alcanzan valores anómalos. Además, es posible predecir fallos futuros mediante la detección de desviaciones anómalas en los residuos. Una vez que se detecta un cambio anómalo en la tendencia del residuo, se procede a estimar cuándo esta desviación del residuo resultará en una detección de fallo y, por lo tanto, cuál será el tiempo de vida útil restante (RUL) del sistema. Para este propósito, la evolución futura del residuo se estima mediante una función de regresión. Los parámetros nominales y de intervalo de la función de regresión se estiman con los datos de residuo disponibles, proporcionando valores nominales y de intervalo del RUL del sistema.

A lo largo de esta disertación, se han utilizado dos casos de estudio: un motor de corriente continua sin escobillas (BLDC) y un caso de estudio conocido basado en un sistema de cuatro tanques para ilustrar la efectividad de los métodos y algoritmos propuestos.