Méthodologie de regroupement interprétable des profils de dégradation de systèmes en exploitation

La modélisation de la dégradation lente des actifs en exploitation à partir des séries chronologiques d'observations est une problématique complexe. Les approches de développement de ces modèles peuvent varier selon la structure de la base de données disponibles ainsi que la nature des systèmes étudiés. Dans le présent travail, nous proposons une méthodologie qui permet d'extraire et d'interpréter les profils de dégradation à partir de deux différents types de base de séries chronologique : Les séquences courtes, bruitées, de différentes longueurs et fréquences d'indicateurs clé de performance; et des signaux cycliques générées par les capteurs installés sur les composantes des actifs lors de leur fonctionnement. La méthodologie proposée est composée de trois phases. La première phase, les profils de dégradation sont extraits en regroupant les séries de comportement similaire. Pour ce faire, l'algorithme de clustering DBSCAN couplé avec une mesure de similarité de pentes pour les séries d'indicateur clé de performance (ICP) et la mesure de dissimilarité Dynamic Time Warping DTW pour les signaux cycliques est appliqué. Afin de renforcer l'évaluation des partitions basée principalement sur le score de silhouette, deux versions modifiées des indices Davies-Bouldin et C pour interpréter des regroupements basés sur une logique de similarité sont développées. Dans la deuxième phase de la méthodologie, deux différentes variantes de l'algorithme de forêts aléatoires à prédire les profils de dégradation identifié précédemment sont développées. Finalement, la dernière phase concerne l'interprétation des modèles ajustés. Pour les séries de ICP, la contribution des facteurs conceptuels, climatiques et d'exploitation dans l'extraction des profils de détérioration en évaluant l'importance de ces variables dans l'entrainement du classificateur forêts aléatoires est réalisée. Ce dernier sera utilisé pour prédire pas à pas l'ICP étudié. En ce qui concerne les signaux cycliques, un score d'importance qui permet de mesurer la contribution de chaque dimension des signaux dans l'identification des profils de dégradation est déterminé. La liaison entre les clusters et les ICPs des cycles est élaborée à l'aide de règles générées par la technique d'arbre de décision. La validation de la méthodologie sera supportée par deux études de cas qui traitent les deux structures de base de données abordées dans ce travail.

Abstract

Modeling the slow degradation of operating assets based on time series observations is a complex issue. Approaches to developing these models can vary depending on the structure of the available database as well as the nature of the systems being studied. In the present work, we propose a methodology to extract and interpret degradation profiles from two different types of time series databases: short, noisy sequences of different lengths and frequencies of key performance indicators; and cyclic signals generated by sensors installed on asset components during their operation. The proposed methodology is composed of three phases. In the first phase, degradation profiles are extracted by clustering series with similar behavior. For this purpose, the DBSCAN clustering algorithm coupled with a slope similarity measure for KPI series and the Dynamic Time Warping DTW dissimilarity measure for cyclic signals is applied. In order to strengthen the evaluation of partitions based mainly on the silhouette score, two modified versions of the Davies-Bouldin and C-indices for interpreting clustering based on similarity logic are developed. In the second phase of the methodology, two different variants of the random forest algorithm to predict the previously identified degradation profiles are developed. Finally, the last phase concerns the interpretation of the fitted models. For the KPI series, the contribution of conceptual, climatic, and operational factors in the extraction of deterioration profiles by evaluating the importance of these variables in the training of the random forest classifier is performed. The latter will be used to perform a stepwise prediction of the studied KPI. For the cyclic signals, an importance score that measures the contribution of each signal dimension in the identification of degradation profiles is determined. The liaison between the clusters and the cycle KPIs is elaborated using rules generated by the decision tree technique. The validation of the methodology will be supported by two case studies that address the two database structures addressed in this work.