Feature Engineering in Condition-based Maintenance: A Case Study
Kallinkoski, Johannes (2022)
2022
Automaatiotekniikan DI-ohjelma - Master's Programme in Automation Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2022-05-18
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202204263668
https://urn.fi/URN:NBN:fi:tuni-202204263668
Tiivistelmä
Advances in machine learning have paved the way for new data-centric approaches in the field of prognostics and health management of industrial applications. These approaches can help reduce the cost of system maintenance and downtime by monitoring the overall condition of a machine and predicting various faults appearing in the system by means of machine learning algorithms.
In this thesis, a machine learning pipeline that predicts different faults from systems sensor data is created. Different approaches to signal pre-processing, with emphasis on feature engineering methods, are examined as well as approaches to the classifier architecture.
A case study utilizing simulation data from a systems model is conducted to evaluate the performance of selected feature engineering methods and classifiers. The first part of the study uses a 5-layer convolutional neural network with individually tuned hyperparameters as the classifier. The second part is performed with a deeper 11-layer residual neural network.
The results of the case study show clear differences in the performance of various feature engineering methods. This points towards the importance of careful selection of proper method based on the application at hand.
The highest performing feature engineering method was able to reach an accuracy score of 0.95 outperforming a method using raw sensor data by 4 percentage points and validating the usefulness of feature engineering in condition-based maintenance. Edistysaskeleet koneoppimisessa ovat tasoittaneet tietä uusille datakeskeisille lähestymistavoille teollisten laitteiden kunnonarvioinnin ja -tarkkailun saralla. Nämä lähestymistavat voivat auttaa vähentämään laitteiston ylläpitokustannuksia ja seisokkeja tarkkailemalla laitteiston yleiskuntoa ja ennustamalla niissä ilmeneviä vikoja koneoppimisalgoritmien avulla.
Tässä diplomityössä luodaan koneoppimismalli, joka ennustaa vikoja järjestelmän anturitietoja hyväksikäyttäen. Tutkimuskohteena ovat erilaiset tavat erottaa piirteitä signaalidatasta, sekä koneoppimisalgoritmin arkkitehtuuri.
Valittujen piirteidenerottamismenetelmien ja algoritmien suorituskyvyn arvioimiseksi suoritetaan tapaustutkimus, jossa hyödynnetään järjestelmämallista simuloitua synteettistä dataa.
Tutkimuksen ensimmäisessä osassa käytetään 5-kerroksista konvoluutioneuroverkkoa, jossa on yksilöllisesti viritetyt hyperparametrit. Toinen osa suoritetaan syvemmällä 11-kerroksisella jäännösneuroverkolla.
Tapaustutkimuksen tulokset osoittavat selkeitä eroja eri piirteidenerottamismenetelmien suorituskyvyssä. Tämä viittaa siihen, että on tärkeää valita huolellisesti oikea menetelmä sovelluksen mukaan.
Suorituskykyisin piirteidenerottamismenetelmä saavutti 95 prosentin tarkkuuden, mikä ylitti 4 prosenttiyksiköllä menetelmän, jossa käytettiin käsittelemätöntä anturidataa. Tämä vahvistaa piirteiden erottamisen hyödyllisyyden kuntoon perustuvassa kunnossapidossa.
In this thesis, a machine learning pipeline that predicts different faults from systems sensor data is created. Different approaches to signal pre-processing, with emphasis on feature engineering methods, are examined as well as approaches to the classifier architecture.
A case study utilizing simulation data from a systems model is conducted to evaluate the performance of selected feature engineering methods and classifiers. The first part of the study uses a 5-layer convolutional neural network with individually tuned hyperparameters as the classifier. The second part is performed with a deeper 11-layer residual neural network.
The results of the case study show clear differences in the performance of various feature engineering methods. This points towards the importance of careful selection of proper method based on the application at hand.
The highest performing feature engineering method was able to reach an accuracy score of 0.95 outperforming a method using raw sensor data by 4 percentage points and validating the usefulness of feature engineering in condition-based maintenance.
Tässä diplomityössä luodaan koneoppimismalli, joka ennustaa vikoja järjestelmän anturitietoja hyväksikäyttäen. Tutkimuskohteena ovat erilaiset tavat erottaa piirteitä signaalidatasta, sekä koneoppimisalgoritmin arkkitehtuuri.
Valittujen piirteidenerottamismenetelmien ja algoritmien suorituskyvyn arvioimiseksi suoritetaan tapaustutkimus, jossa hyödynnetään järjestelmämallista simuloitua synteettistä dataa.
Tutkimuksen ensimmäisessä osassa käytetään 5-kerroksista konvoluutioneuroverkkoa, jossa on yksilöllisesti viritetyt hyperparametrit. Toinen osa suoritetaan syvemmällä 11-kerroksisella jäännösneuroverkolla.
Tapaustutkimuksen tulokset osoittavat selkeitä eroja eri piirteidenerottamismenetelmien suorituskyvyssä. Tämä viittaa siihen, että on tärkeää valita huolellisesti oikea menetelmä sovelluksen mukaan.
Suorituskykyisin piirteidenerottamismenetelmä saavutti 95 prosentin tarkkuuden, mikä ylitti 4 prosenttiyksiköllä menetelmän, jossa käytettiin käsittelemätöntä anturidataa. Tämä vahvistaa piirteiden erottamisen hyödyllisyyden kuntoon perustuvassa kunnossapidossa.