Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques

Abstract

Rolling elements are commonly used in heavy-duty machinery, oil firms, water treatment processing, transportation, and aeronautical equipment among other applications. Bearing failures can lead to a complete breakdown of machinery, resulting in a disastrous accident and financial losses for the owner. As a consequence, correctly detecting the presence of these vulnerabilities as early as possible is crucial. Predictive maintenance is therefore of a great importance for lowering the cost of repairing or replacing capital-intensive infrastructure. The definition of predictive maintenance and condition monitoring techniques is extensively discussed in this dissertation. Over the past few decades, a considerable attention has been paid to predictive maintenance policies as the basis for production management in many leading companies. Under the concept of zero failure manufacturing, predictive maintenance seeks to reduce downtime and maintenance costs by using real-time data to detect potential faults. The predictive maintenance principle states that maintenance is only done when it is required, which means that it is only done after analytical models have detected impending failures or degradations. In other words, the defects do not appear suddenly, they advance in time and increase the critical state of equipment aging. Considering this incremental and progressive nature, aging starts in the machine components when the operating condition changes from normal to critical. This dissertation spotlights on the concept of predictive maintenance and condition monitoring techniques. Specifically, it presents a review of the most popular condition monitoring methods applied on rotary machines like pumps, motors, gearboxes, turbines, etc. The pump is chosen as a case study as it plays a vital role in our everyday lives. Besides, pump machines are considered the most used mechanical equipment after motors, and an immense amount of money is spent annually on their maintenance activities. The current study provides various intelligent monitoring techniques for detecting bearings defects at early stages so that predictive maintenance actions can be taken timely to prevent major pumping systems' failures. Numerous publications discussing the topic of condition monitoring have been reviewed modules during this study. They give an overview of emerging capabilities in predictive maintenance by applying the Internet of Things technology. Achieving efficient predictive maintenance requires access to the machining process data (historical data and real-time), industrial network, and communication layers. These activities are accomplished by an intelligent condition monitoring system and industrial communication protocols. Fault prediction models and predictive maintenance suggested in this research have been applied on forwarding pumping stations run by the SEWERAGE TREATMENT COMPANY (STC), one of the largest sewage treatment firms in Qatar. The stoppage in any of those pumping systems leads to significant financial loss consequences such as repair cost, replacement costs, consequential damage, etc. In addition, risk consequences such as the potential for safety or environmental incident, breach of statutory or license requirement can rise. The most challenging task this research attempts to attain is to keep pump machines in a functional state by estimating their operating condition in order to perform the necessary maintenance interventions. This would minimize machines downtime and achieve the maximum availability and reliability of pumping stations. The author proposes networked monitoring systems by IoT technology, specifically by SKF@ptitude observer monitoring, an expert diagnostics software commonly used for pump monitoring systems. Temperature measurement and vibration signal analysis are used to track rolling bearing conditions and provide more accurate detection results. Temperature measurements help in identifying potential temperature-related equipment faults, such as excessive mechanical friction (faulty bearings, inadequate lubrication, fouling in a heat exchanger, and shoddy electrical connections). Variable vibration signals may indicate wear, imbalance, misalignment, or damage. These measurements assist in identifying the causes of bearing failure, which is caused mainly by temperature and/or vibration. The required maintenance action can be carried out based on the findings of these observations, the professional experience of maintainers, as well as the rotary machinery maintenance manual. With artificial intelligence's massive regeneration, predictive maintenance has become the most effective process to deal with the vast amounts of data collected from smart manufacturing and complex engineering processes, particularly for implementing fault prediction systems based on data-driven approaches. This thesis presents two different case studies that utilize condition monitoring data and artificial intelligence techniques (namely machine learning and deep learning) as effective procedures for intelligent fault detection. In the first case, supervised machine learning is combined with decision-making techniques to anticipate potential bearing failures and improve overall manufacturing operations by performing necessary maintenance actions at the right time. The integrated model has been applied in this research where the data fed (mainly temperature and vibration) belong to the labeled type. In this regard, a comparison of four different types of classifiers is conducted. These classifiers are: decision trees, random forests, gradient boosted, and support vector machines. The comparison is achieved using python programming package to investigate which type provides the highest detection accuracy. The predictive maintenance module's accuracy is tested using real-world industrial development datasets. Since the binary classification output of the applied machine learning algorithms would generate the pseudo probability of an observation belonging to a class, we decided to use the utility theory to leverage the likelihood of failures and thus help to perform correct maintenance behavior. The second case study introduces four different deep architectures, which are mostly used in predictive maintenance field, namely, the Deep Feedforward Networks (DFN), a standard Long Short-Term Memory (LSTM), gradient boosted, and an LSTM with Convolutional Neural Networks (CNN). These models are implemented using a vibration signal dataset for roller bearings to assess their superiorities in fault identification and prediction. The vibration signals are first processed and extracted using the statistical time-domain method. The extracted statistical parameters are then fed to the suggested DL approaches to classify the bearings operating conditions. As a result, we tried to take advantage of CNN and LSTM complementarity by merging them into a single unified architecture to train the model jointly. The experimental results are then compared with the other suggested deep learning models to confirm the best performing model in terms of fault detection and operation assessment. Five performance indicators are evaluated to measure the performance of the tested ML and DL algorithms: accuracy, F-score, precision, recall, and area under the curve (AUC). Our research's novelty lays in the new perspective on predictions and the suggestion and comparison of several classifier models. This comparison is conducted on two real-world datasets from the pumping systems. Experimental results revealed that our proposed classifier models produced promising results.

Yuvarlanma elemanları, diğer uygulamaların yanı sıra ağır iş makinelerinde, petrol firmalarında, su arıtma işlemlerinde, nakliye ve havacılık ekipmanlarında yaygın olarak kullanılmaktadır. Yatak arızaları, makinenin tamamen bozulmasına yol açarak, feci bir kazaya ve mal sahipleri için mali kayıplara neden olabilir. Sonuç olarak, bu güvenlik açıklarının varlığını olabildiğince erken doğru bir şekilde tespit etmek çok önemlidir. Bu yüzden kestirimci bakım; tamir, tadilat ve altyapı yenileme maliyetlerini düşürdüğünden büyük önem arz etmektedir. Kestirimci bakım ve süreç takip tekniklerinin tanımı bu tez içinde geniş bir biçimde tartışılacaktır. Geçtiğimiz birkaç onyılda sektöre yön veren büyük şirketler, üretimin yönetilmesi açısından dikkatlerini kesitirimci bakım politikalarına vermişlerdir. Sıfır hata üretim politikaları altında, kestirimci bakım; arıza süreleri ve bakım maliyetlerini kısmak için, gerçek zamanlı verileri kullanarak potansiyel arızaları tespit etmek için çalışır. Kestirimci bakım prensibi şunu beyan eder; genel olarak bakım sadece gerekli olduğu zaman gerçekleştirilir, bu da analitik modellerin yaklaşmakta olan bir arıza veya bozulmayı tespit etmesinden sonra yapılmasıdır. Diğer bir deyişle arızalar aniden ortaya çıkmaz, zaman içerisinde gelişirler ekipmanların kritik yıpranma sürecini artırırlar. Bu sürecin artan ve ilerleyen doğasını göz önüne aldığımızda, makine parçalarındaki yıpranma makinelerin işleyiş koşullarının normalden seviyeden kritik seviyeye gelmesiyle başlar. Bu tezde kestirimci bakım ve durum izleme konseptlerine dikkat çekilecektir. Özellikle dönen parçalardan ve aksamlardan oluşan pompalar, motorlar, vites kutuları, ve türbinlerdeki en bilindik süreç izleme methodları sunulacaktır. Çalışma konusu olarak pompa seçilmiştir. Pompaların günlük hayatımızda önemli rol oynadığı malumdur. Bunun dışında pompalar motorlardan sonra en sık kullanılan mekanik ekipmanlardır ve yıllık bakım faaliyetlerine ciddi miktarda para ödenmektedir. Yakın zamanda yapılan çalışmalar akıllı takip tekniklerinin erken safhalarda rulman kusurlarını tespit edebilmesini sağlayarak pompa sistemlerinin büyük bir arızaya girmeden kestirimci bakım aksiyonlarının alınmasını sağlamaktadır. Bu çalışmada durum takibi başlığı altında yayımlanmış bir çok yayın gözden geçirilerek değerlendirilmiştir. Bu çalışmalar; Nesnelerin İnterneti teknolojisini uygulayarak artan kapasiteleri ile kestirimci bakım hakkında genel bakış sağlamaktadır. Etkili bir kestirimci bakıma ulaşmak için makine işlem verileri (tarihsel ve anlık), endüstriyel ağ ve iletişim katmanlarına erişim gereklidir. Bu aktiviteler akıllı durum takibi sistemi ve endüstriyel iletişim protokolleri ile tamamlanmış olur. Bu araştırmada sunulan arıza tahmini modelleri ve kestirimsel bakım çalışmaları Katar'ın en büyük pis su artıma tesislerinden biri olan SEWERAGE TREATMENT COMPANY (STC) 'nin pompa nakil istasyonlarından birinde uygulanmıştır. Bu sistemlerde meydana gelebilecek en ufak bir aksama veya durma hem mali anlamda ciddi bir kayba (tamir masrafı, değiştirme masrafları ve takibinde meydana gelebilecek olasu hasarlar) bunun yanında çevresel, güvenlik ve görev ihlali veya lisans gereksinimleri risklerini artırabilir. Araştırmada en zorlayıcı kısım; pompa makinelerini işler düzeyde tutacak şartların tahmini ve bakım müdahalelerinin uygun anda yapılmasının sağlanmasıdır. Bu şekilde zorunlu duruş süreleri minimize edilir ve pompa istasyonlarının güvenilir ve maksimum kapasitede çalışması sağlanır. Yazar nesnelerin internet teknolojili ağ izleme sistemleri; özellikle pompa izleme sistemlerinde sıklıkla kullanılan SKF@ptitude gözleyici izleme, uzman tanı yazılımı önermektedir. Sıcaklık ölçümleri ve titreşim sinyal analizleri döner rulman sistemlerinin durumunun takibinde daha kesin sonuçların elde edilmesi için kullanılır. Sıcaklık ölçümleri yüksek mekanik sürtünmeden dolayı aşırı ısınma sebepli ekipman arızalarının tespitine yardım eder. (Arızalı rulmanlar, yetersiz yağlama, eşanjörde oluşan tortular ve gelişigüzel yapılmış elektrik bağlantıları) Değişken titreşim sinyalleri; yorulma, dengesizlik, hatalı hizalanma veya hasarları göstermekte faydalı olurlar. Bu tip önlemler başlıca rulman arıza sebebi olan ısınma ve titreşimin tespit edilmesine yardımcı olurlar. Gerekli bakım onarım faaliyetleri bu gözlemlerden sonra profösyonel bakımcılar tarafından veya bakım kılavuzlarına göre gerçekleştirilebilir. Yapay zekanın muazzam gelişimi, kestirimci bakım faaliyetinin; akıllı üretim ve karmaşık mühendislik işlemlerinden elde edilen (genellikle veriye dayalı arıza tespit system yaklaşımlarında) devasa boyuttaki verilerin en etkili şekilde işlenmesini mümkün kılar. Bu tezde akıllı arıza tespitinde etkili prosedür olarak süreç takip verileri ve yapay zeka teknikleri (makine öğrenmesi ve derin öğrenme) olmak üzere iki farklı vaka çalışması sunulacaktır. İlk durumda, kontrollü makine öğrenmesi, karar verme teknikleri ile birlikte kullanılarak potansiyel rulman arızalarının tespitini ve genel üretim operasyonunu geliştirmek için doğru zamanda gerekli bakım faaliyeti aksiyonunu almaktadır. Bu çalışmada işaretli tipte veri beslemeye (genel olarak sıcaklık ve titreşim) ait olan tümleşik model uygulanmıştır. Bu bağlamda 4 farklı sınıflandırıcı mukayesesi yapılmıştır. Bu sınıflandırıcılar: karar şemaları (DT), rastgele orman (RF), gradian artırma (GB) ve destek vektör makineleridir (SVM). Python bilgisayar programı kullanarak hangi tipin en yüksek kesinliği sağladığı tespit edilmiştir. Kestirimci bakım modülünün kesinliği endüstiryel gerçek dünya endüstriyel gelişim veri setleri kullanılarak test edilmiştir. Ikili sınıflandırma çıktıları uygulanmış makine öğrenme algoritmaları ilgili sınıfa ait yalancı gözlem ihtimalleri oluşturacağından, arıza olasılığından yararlanmak ve böylece doğru bakım davranışını gerçekleştirmeye yardımcı olmak için fayda teorisini kullanmaya karar verdik. İkinci vaka çalışması, çoğunlukla kestirimci bakım alanında kullanılan dört farklı derin mimariyi tanıtmaktadır: Derin İleri Beslemeli Ağlar (DFN), standanrt Uzun Kısa Süreli Bellek (LSTM), gradyan artırılmış (GB) ve Evrişimli Sinir Ağlarına sahip (CNN) ve LSTM. Bu modeller, arıza tespiti ve tahminindeki üstünlüklerini değerlendirmek için makaralı rulmanlar için bir titreşim sinyali veri seti kullanılarak uygulanır. Titreşim sinyalleri ilk olarak istatistiksel zaman alanı yöntemi kullanılarak işlenir ve çıkarılır. Çıkarılan istatistiksel parametreler daha sonra rulman çalışma koşullarını sınıflandırmak için önerilen DL yaklaşımlarını beslemek için kullanılır. Sonuç olarak, modeli birlikte eğitmek için CNN ve LSTM tamamlayıcılığını tek bir birleşik mimaride birleştirerek yararlanmaya çalıştık. Daha sonra deneysel sonuçlar, hata tespiti ve operasyon değerlendirmesi açısından en iyi performans gösteren modeli doğrulamak için önerilen diğer derin öğrenme modelleriyle karşılaştırılır. Test edilen ML ve DL algoritmalarının performansını ölçmek için beş performans göstergesi değerlendirilir: doğruluk, F-skoru, hassasiyet, geri çağırma ve eğri altındaki alan (AUC). Araştırmamızın yeniliği, tahminler ve birkaç sınıflandırıcı modelin önerisi ve karşılaştırması üzerine yeni perspektifte yatmaktadır. Bu karşılaştırma, pompalama sistemlerinden iki gerçek dünya veri setleri üzerinde yapılmıştır. Deneysel sonuçlar, önerilen sınıflandırıcı modellerimizin umut verici sonuçlar verdiğini ortaya koydu.