System-level prognostics and health management: a graph neural network based framework

Abstract

Nowadays, crucial industries that deliver essential services for modern society such as powerplants, oil and gas platforms, pipelines and transportation systems among others can be catalogued as complex systems, showing, commonly, a highly heterogeneous behaviour due to the interactions of the different parts that compose them. Due to this, ensuring its safety and reliability have become a challenging task for Reliability Engineers, being traditional Prognostics and Health Management (PHM) statistical-based approaches not enough to tackle the highly multi-dimensional data coming from these systems. Given this, PHM related problems have presently been tackled using deep learning techniques, which have delivered outstanding results in asset and component analysis. On the other hand, no deep learning based PHM framework has been developed for systems due to its complexity, where it is imperative to not only feed a model with operational information, but also with the explicit relationships between its components, being the newly developed area of graph-based geometrical deep learning a promising tool to do this. The main objective of this thesis is to propose a deep learning based framework for systemlevel PHM using graph neural networks, enabling the health assessment of a system in three different levels: system-level, component-level and quantification of component relationships, i.e., mutual impact information. Furthermore, the proposed framework will be validated using a real-world industry system and compared to other nowadays commonly used multi-layer perceptron (MLP) and random forest models. The methodology used in this work consists mainly of four steps. First, a literature review of nowadays PHM deep learning based frameworks will be done in addition to the review of the latest advancements of graph based geometrical deep learning, with emphasis on graph convolutional networks (GCNs). Second, a GCN-based geometrical deep learning framework will be proposed and explained. Third, a chlorine dioxide generation reboiler system in a cellulose plant will be used as a case study for the validation of the framework, showing the preprocess done to it for its use. Lastly, the proposed framework results is discussed and compared with an MLP and random forest models. The main conclusion of this work is that the proposed system-level PHM framework shows to be a promising tool for the health assessment of systems, outperforming in general other presently used MLP and Random Forest models in terms of accuracy and performance for both the system-level and component-level. Furthermore, regarding the system component relationships, the proposed framework showed to deliver very valuable and interesting insights regarding the analysis of the mutual relationships among its components.

Hoy en día, las principales industrias que entregan servicios esenciales a la sociedad moderna (tales como plantas de generación eléctrica, plataformas de gas y petróleo, ductos y sistemas de transporte) pueden catalogarse como sistemas complejos, presentando una gran heterogeneidad en su comportamiento debido a las interacciones de las distintas partes que las componen. Por esto, promover su seguridad y confiabilidad ha sido un gran desafío para los ingenieros, donde las herramientas comúnmente utilizadas en el contexto de Prognostics and Health Management (PHM) no son suficientes para analizar de manera correcta la información altamente multidimensional proveniente de estos sistemas. Dado lo anterior, actualmente, cuando se analiza un problema relacionado a PHM, se utilizan técnicas basadas en aprendizaje profundo de máquinas (DL), las que han entregado excelentes resultados para el análisis de activos y componentes. Por otro lado, a la fecha no se ha desarrollado ningún marco de trabajo de PHM a nivel de sistemas usando DL dada su alta complejidad, donde parece imperativo el uso de no solo información operacional del sistema, sino que también explicitar las relaciones entre sus componentes, siendo la recientemente nacida área de aprendizaje profundo de máquinas geométrico basado en grafos (Graph-GDL) una herramienta prometedora para abordar esto. El principal objetivo de esta tesis es proponer un marco de trabajo basado en DL para PHM a nivel de sistemas usando redes neuronales por grafos, permitiendo la evaluación de la salud de un sistema en tres niveles diferentes: a nivel de sistema, a nivel de sus componentes y la cuantificación de la relación entre componentes, es decir, de su impacto mutuo. Junto con esto, el marco de trabajo propuesto será validado utilizando un sistema industrial real y comparado con otros modelos actualmente utilizados tales como el perceptrón multi-capa (MLP) y Random Forest. La metodología utilizada en este trabajo consistió principalmente de cinco partes: Primero, se realiza una revisión bibliográfica concerniente a las técnicas de DL utilizadas actualmente en el contexto de PHM, a lo que se le suma una revisión de los últimos avances en GraphGDL con énfasis en redes convolucionales en grafos (GCN). Segundo, un marco de trabajo basado en GCNs es propuesto y explicado. Tercero, un sistema de reboiler para generación de dióxido de cloro en una planta de celulosa es usada como caso de estudio para validar el marco de trabajo propuesto, mostrando el pre-procesamiento requerido para su uso. Finalmente, los resultados asociados al marco de trabajo propuesto con discutidos y comparados con los modelos de MLP y Random Forest. La principal conclusión de este trabajo es que el marco de trabajo propuesto para PHM a nivel de sistemas parece ser una herramienta prometedora para la evaluación de la salud en sistemas, superando otros modelos actualmente utilizados en términos de precisión y desempeño tanto a nivel del sistema como al nivel de los componentes. Mas aún, este marco iii de trabajo entrega información altamente valiosa e interesante para analizar las relaciones mutuas entre los componentes que conforman el sistema estudiado.