A Deep Learning Approach for Condition-Based Fault Prediction in Industrial Equipment

Tout type de système se dégrade avec l'usage et le temps. Adopter une bonne stratégie de maintenance est donc nécessaire afin que les équipements industriels fonctionnent adéquatement tout au long de leur durée de vie. Au fur et à mesure que l'importance accordée à la santé et la sécurité augmente dans les industries, la maintenance devient de plus en plus imposante. Ceci conduit donc au développement de stratégies de maintenance plus sophistiquées. Parmi ces stratégies, la Maintenance Conditionnelle (« Condition-Based Maintenance ») est la plus avancée d'entre elles. Par ailleurs, avec l'avènement de l'Industrie 4.0, le nombre de capteurs dans l'industrie augmente rapidement, ouvrant la porte à la surveillance continue et automatique des équipements industriels. Plus particulièrement, nous présentons une technique où l'indicateur de fautes futures est basé sur la différence entre la valeur d'une variable mesurable quelconque et la valeur attendue de cette variable lors de son opération normale. Le fait de devoir estimer correctement la valeur de ce paramètre fait intervenir la maintenance en plus de la prévision. Nous proposons alors d'utiliser l'apprentissage machine (« Machine Learning »), plus précisément un réseau de neurones profond (« Deep Neural Network »), afin de prédire la valeur du paramètre. La théorie dernière ces techniques est présentée dans ce travail, portant une attention particulière aux réseaux LSTM (« Long Short-Term Memory »). Ce type d'architecture neuronale est adaptée pour la prévision impliquant des séries temporelles à plusieurs variables, qui est le type de données enregistrées par les capteurs en industrie. Dans ce travail, la technique de prédiction de fautes est appliquée aux électrolyseurs. Un électrolyseur est un système composé de plusieurs cellules électrochimiques où l'électrolyse a lieu. La présence de fautes inattendues peut mener à des incidents catastrophiques pouvant causer de grands torts aux employés et à l'environnement. Les cellules électrochimiques se comportent comme une résistance électrique. En effet, lorsqu'un courant est appliqué à ses bornes, ceci provoque une chute de tension. L'amplitude de cette chute de tension dépend des conditions d'opération ainsi que de la dégradation de la cellule, qui n'est pas connue. De ce fait, la tension est la variable surveillée du système afin de pouvoir prévoir les fautes, puisque sa valeur augmente soudainement lorsqu'une faute est sur le point de se produire. Nous présentons les limitations reliées aux données disponibles. Afin de surmonter ces limitations, nous voulons nous baser seulement sur les données provenant des capteurs et non pas sur une intervention humaine. Nous proposons donc une nouvelle approche basée sur un réseau de neurones de type encodeur-décodeur. Le réseau reçoit les conditions de fonctionnement en entrée. Le rôle de l'encodeur est de trouver une représentation fidèle de la dégradation et de la transmettre au décodeur. Quant à lui, son rôle est de prédire la tension de la cellule. Comme aucune donnée de dégradation n'est fournie au réseau, nous considérons notre approche comme étant un encodeur auto-supervisé (« Self-Supervised Encoder »). De même, la sortie de l'encodeur peut être représentée graphiquement, rendant possible l'interprétation du réseau de neurones développé. Après le développement du modèle, il est testé et les résultats obtenus sont comparés avec ceux du modèle paramétrique présentement utilisé à cette fin, qui est défini par des experts. Les résultats montrent que le réseau de neurones est apte à prédire le voltage de plusieurs cellules comportant des niveaux de dégradation différents. Par ailleurs, l'erreur de prédiction est réduite de 53 % par rapport au modèle paramétrique. Cette amélioration permet à notre modèle de prédire une faute 31 heures avant qu'elle ne se produise. Ceci correspond à une augmentation du temps de réaction de 64 % comparativement aux résultats obtenus avec le modèle paramétrique.

Abstract

Systems always degrade with use and time. A good maintenance strategy is necessary for keeping industrial equipment working as designed throughout its lifetime. As safety and quality concerns raised in industry, the importance of maintenance evolved, leading to the development of sophisticated maintenance strategies. Among them, Condition-Based Maintenance is the most advanced. It is based on the monitorization of the system's properties, detecting impending faults, and triggering maintenance actions only when the system is going to fail. Moreover, with the advent of Industry 4.0, the number of sensors in industry is rapidly increasing, opening the door to the continuous and automatic monitorization of industrial equipment. In particular, we present a technique where the indicator of an incoming fault is based on the divergence between the value of a measurable feature and its expected value in a healthy system. The need to correctly estimate the variable's value involves both maintenance and forecasting. We propose using Machine Learning algorithms for predicting the variable and, more concretely, Deep Neural Networks. We introduce the theory behind them, paying particular attention to Long Short-Term Memory (LSTM) networks. This neural architecture is suited for forecasting multivariate time series data, which is the one registered by industrial sensors. We apply this fault prediction technique to an electrolyzer. Electrolyzers are systems composed of multiple electrochemical cells, where electrolysis takes place. Unexpected cells' faults may lead to catastrophic incidents, such as explosions and fire, with the consequent harm to the plant's operators and the environment. Electrochemical cells act similarly to resistors, causing a voltage drop when a current is applied to them. The magnitude of this voltage drop depends on the operating conditions and the cell's degradation, which is not known. The voltage is the monitored variable for predicting the faults, as it increases suddenly when a fault is about to happen. We present the limitations related to the available data. In order to overcome them, relying only on sensors' data and without human interaction, we propose a new approach based on an encoder-decoder neural architecture. The network receives the operating conditions as input. The encoder's task is to find a faithful representation of the degradation and to pass it to the decoder, which in turn predicts the cell's voltage. As no labeled degradation data is given to the network, we consider our approach to be a self-supervised encoder. Moreover, the output of the encoder can be plotted in a graph, adding interpretability to the neural network model. We compare the results obtained by our network to the expert-defined parametric model that is currently used for this task. Results show that our neural network is able to predict the voltage of multiple cells with different levels of degradation. Moreover, it reduces the prediction error that was obtained by the parametric model by 53%. This improvement enabled our network to predict a fault 31 hours before it happened, a 64% increase in reaction time compared to the parametric model.