A deep learning based framework for physical assets' health prognostics under uncertainty for big Machinery Data

Abstract

El desarrollo en tecnología de mediciones ha permitido el monitoreo continuo de sistemas complejos a través de múltiples sensores, generando así grandes bases de datos. Estos datos normalmente son almacenados para ser posteriormente analizados con técnicas tradicionales de Prognostics and Health Management (PHM). Sin embargo, muchas veces, gran parte de esta información es desperdiciada, ya que los métodos tradicionales de PHM requieren de conocimiento experto sobre el sistema para su implementación. Es por esto que, para estimar parámetros relacionados a confiabilidad, los enfoques basados en análisis de datos pueden utilizarse para complementar los métodos de PHM. El objetivo de esta tesis consiste en desarrollar e implementar un marco de trabajo basado en técnicas de Aprendizaje Profundo para la estimación del estado de salud de sistemas y componentes, utilizando datos multisensoriales de monitoreo. Para esto, se definen los siguientes objetivos específicos: Desarrollar una arquitectura capaz de extraer características temporales y espaciales de los datos. Proponer un marco de trabajo para la estimación del estado de salud, y validarlo utilizando dos conjuntos de datos: C-MAPSS turbofan engine, y baterías ion-litio CS2. Finalmente, entregar una estimación de la propagación de la incertidumbre en los pronósticos del estado de salud. Se propone una estructura que integre las ventajas de relación espacial de las Convolutional Neural Networks, junto con el análisis secuencial de las Long-Short Term Memory Recurrent Neural Networks. Utilizando Dropout tanto para la regularización, como también para una aproximación bayesiana para la estimación de incertidumbre de los modelos. De acuerdo con lo anterior, la arquitectura propuesta recibe el nombre CNNBiLSTM. Para los datos de C-MAPSS se entrenan cuatro modelos diferentes, uno para cada subconjunto de datos, con el objetivo de estimar la vida remanente útil. Los modelos arrojan resultados superiores al estado del arte en la raíz del error medio cuadrado (RMSE), mostrando robustez en el proceso de entrenamiento, y baja incertidumbre en sus predicciones. Resultados similares se obtienen para el conjunto de datos CS2, donde el modelo entrenado con todas las celdas de batería logra estimar el estado de carga y el estado de salud con un bajo RMSE y una pequeña incertidumbre sobre su estimación de valores. Los resultados obtenidos por los modelos entrenados muestran que la arquitectura propuesta es adaptable a diferentes sistemas y puede obtener relaciones temporales abstractas de los datos sensoriales para la evaluación de confiabilidad. Además, los modelos muestran robustez durante el proceso de entrenamiento, así como una estimación precisa con baja incertidumbre.