Online Anomaly Detection of Industrial Processes and Machinery Based on Logical Analysis of Data and Statistical Control Charts

De nos jours, les processus de fabrication évoluent pour intégrer les technologies de l'industrie 4.0, à savoir celles nécessaires à la connectivité, à l'analyse, à l'évolutivité et à la collecte de données en temps réel. Les techniques classiques de surveillance de processus pour surveiller la qualité du processus et/ou la qualité du produit sont confrontées à plusieurs défis. Des quantités massives de données et d'informations sont échangées via de nombreux capteurs et contrôleurs au sein du système. Ils doivent être structurés, gérés et stockés dans une structure de base de données prédéfinie qui définit et caractérise les informations requises et les fournit à chaque partie prenante. L'équipe qualité est l'un de ces acteurs à qui il incombe de contrôler la qualité du processus/produit à l'aide de cartes de contrôle. Cependant, les cartes de contrôle classiques présentent des limitations qui augmentent proportionnellement à la complexité du processus de fabrication. La qualité 4.0 a été introduite en tant que nouveau paradigme qui intègre les technologies de l'industrie 4.0 pour améliorer la surveillance et le contrôle de la qualité, ainsi que la détection des anomalies à l'aide de techniques d'apprentissage automatique. Néanmoins, certaines techniques d'apprentissage automatique ne permettent toujours pas de remédier à l'augmentation des fausses alarmes et des phénomènes de détection manquée. De plus, les techniques d'apprentissage automatique sont utilisées soit pour la détection d'anomalies, soit pour l'identification d'anomalies. Ils ont besoin de suffisamment de données pour pouvoir identifier et détecter les anomalies. Dans cette thèse, nous développons un modèle de données conceptuel et logique à l'aide d'un outil Entity-Relationship Modeling (ERM). Le modèle ERM définit toutes les informations requises par les parties prenantes. Il ingère, collecte, stocke, organise, nettoie, intègre, protège et maintient les données générées au sein de la fabrication dans une base de données structurée prédéfinie. Le modèle est facile à utiliser par les parties prenantes et garantit une qualité élevée des données. Nous avons utilisé l'ERM dans un cas réel pour gérer les données et informations pertinentes des processus d'inspection et de réparation dans le domaine de la maintenance aérospatiale. Les données stockées dans la base de données représentent les données historiques utilisées pour définir les indices de performance clés de la qualité d'un processus. Le modèle de régression d'analyse logique des données (LADR) a été développé sur la base de modèles extraits à l'aide d'une approche LAD commune à appliquer aux problèmes de régression. Le modèle LADR est construit à l'aide de modèles extraits des données d'origine au lieu des variables indépendantes d'origine. Il a été intégré à la carte de contrôle pour obtenir une nouvelle carte de contrôle basée sur un modèle. Il améliore la sensibilité de détection des anomalies. Contrairement à d'autres techniques d'apprentissage automatique, il exploite ses modèles pour effectuer une analyse des causes profondes de l'anomalie détectée. La carte de contrôle basée sur LADR a été adoptée pour développer un nouveau mécanisme de surveillance et d'alerte en ligne. Ce mécanisme a été appliqué pour surveiller les conditions de fonctionnement du système d'entraînement par courroie. Des expériences ont été menées sur le système pour collecter ses signaux vibratoires uniquement en fonctionnement normal. Le mécanisme utilise les caractéristiques statistiques extraites des signaux collectés pour détecter et identifier toute anomalie rencontrée lors du fonctionnement du système. La carte de contrôle basée sur LADR a produit de meilleures performances que d'autres cartes de contrôle bien connues basées sur l'apprentissage automatique. Il a réduit le taux de fausses alarmes et le taux de détections manquées par des pourcentages minimum de 95% et 50%, respectivement, par rapport aux approches actuelles.

Abstract

Nowadays, manufacturing processes are changing to integrate industry 4.0 technologies, namely those needed for connectivity, analytics, scalability, and gathering real time data. The conventional process monitoring techniques for monitoring the process quality and/or product quality are facing several challenges. Massive amounts of data and information is exchanged through many sensors and controllers within the system. They are required to be structured, managed, and stored in a pre-defined database structure that defines and characterizes the required information and provides it to each stakeholder. The quality team is one of these stakeholders, whose responsibility it is to monitor the quality of the process/ product by using control charts. However, the conventional control charts have limitations that increase proportionally with the complexity of the manufacturing process. Quality 4.0 has been introduced as a new paradigm that integrates the industry 4.0 technologies to improve quality monitoring and control, and anomaly detection by using machine learning techniques. Nevertheless, some machine learning techniques still do not remedy the increase in false alarms and missed detection phenomena. Moreover, machine learning techniques are used either for anomaly detection or anomaly identification. They require sufficient data to be able to identify and detect anomalies. In this thesis, we develop a conceptual and logical data model using an Entity-Relationship Modeling (ERM) tool. The ERM model defines all information required by stakeholders. It ingests, collects, stores, organizes, cleanses, integrates, protects, and maintains the generated data within manufacturing in a pre-defined structured database. The model is easy to use by stakeholders, and it ensures high quality of data. We used the ERM in a real case to manage the relevant data and information of the inspection and repair processes in the aerospace maintenance domain. The data stored in the database represents the historical data that is used to define the key performance indices of the quality of a process. The Logical Analysis of Data regression (LADR) model was developed based on extracted patterns using a common LAD approach to be applied on regression problems. The LADR model is constructed using patterns extracted from the original data instead of the original independent variables. It has been integrated with the control chart to obtain a new modelbased control chart. It improves the sensitivity of anomaly detection. Unlike other machine learning techniques, it exploits its patterns to perform a root cause analysis of the detected anomaly. The LADR-based control chart was adopted to develop a new online condition monitoring and warning mechanism. This mechanism was applied to monitor the operating conditions of the belt drive system. Experiments were carried out on the system to collect its vibration signals only during normal operation. The mechanism uses the extracted statistical features from the collected signals to detect and identify any anomaly that is experienced during the operation of the system. The LADR-based control chart produced better performance than other well-known machine learning-based control charts. It reduced the rate of false alarms and the rate of missed detections by minimum percentages of 95% and 50%, respectively, regarding the current approaches.