Advanced Machine Learning Techniques for Condition Monitoring in Industrial Engineering Applications

In the thesis, different case studies coming from industrial contexts have been addressed and for each one the most appropriate Machine Learning tools have been selected, with the purpose of developing effective solutions for the specific condition monitoring problem. The proposed solutions want to represent an improvement from those currently employed in the industrial procedure by applying Machine Learning techniques in new industrial contexts. Firstly, a new system for monitoring the operating conditions of pulverized coal burners employed in a coal fired power plant is developed with the aim to determine if the whole combustion system is working properly under the most energy efficient conditions. This part of the work begins with the investigation of Machine Learning techniques to provide a solution for non-invasive estimation of the coal powder particle size. The particle size estimation forms the foundation of the proposed method. Further research exploited heterogeneous data from similar but not same application, thus delivering more accurate modelling. With the aim of improving the implementability of the method by reducing the number of observations needed, the problem of particle size estimation has been reviewed in the form of a classification problem, therefore the previously implemented Machine Learning algorithms have been appropriately modified and adapted to solve a classification problem. Finally, the classification-based algorithms have been used to develop a complete monitoring system. Fault detection for roller bearings is another industrial relevant problem that has been tried to solve using a machine learning approach similar to the previous case. In particular a classifier based on Support Vector Machine has been developed to detect and classify different types of faults. Real experimental data has allowed development of a fault detection system that exploits the time-frequency analysis and image analysis, and the obtained results proved its suitability for both stationary and non-stationary operating conditions of roller bearings. The last case study proposed is a novel unsupervised method to detect faults in DC electric motors during quality control at the end of the production line. The proposed scheme uses a novelty detection approach consisting in using of a Denoising Autoencoder network for modelling the normality condition of the motors without faults, with the purpose of distinguish from this background the motors with faults that do not respect the quality requirements. The results obtained with tests on experimental data demonstrate the validity of the solutions developed for each addressed case study, applicable for the implementation of monitoring systems for industrial processes and devices devoted to quality check and equipment maintenance.

Nella tesi sono stati affrontati diversi casi di studio provenienti da contesti industriali e per ognuno sono stati selezionati gli strumenti di Machine Learning più appropriati, con lo scopo di sviluppare soluzioni efficaci per il problema del monitoraggio delle condizioni. Le soluzioni proposte vogliono rappresentare un miglioramento rispetto a quelle attualmente impiegate nelle procedure industriali applicando tecniche di Machine Learning in nuovi contesti industriali. In primo luogo, è stato sviluppato un nuovo sistema per il monitoraggio delle condizioni operative dei bruciatori alimentati a carbone polverizzato impiegati in una centrale elettrica a carbone allo scopo di determinare se l'intero sistema di combustione funzioni correttamente nelle condizioni più efficienti dal punto di vista energetico. Questa parte del lavoro inizia con lo studio delle tecniche di Machine Learning per fornire una soluzione per la stima non invasiva delle dimensioni delle particelle di polvere di carbone. La stima delle dimensioni delle particelle costituisce il fondamento del metodo proposto. Ulteriori ricerche hanno sfruttato dati eterogenei provenienti da applicazioni simili ma non uguali, offrendo così una modellazione più accurata. Con l'obiettivo di migliorare l'implementazione del metodo riducendo il numero di osservazioni necessarie, il problema della stima delle dimensioni delle particelle è stato rivisto sotto forma di un problema di classificazione, pertanto gli algoritmi di Machine Learning precedentemente implementati sono stati opportunamente modificati e adattati per risolvere un problema di classificazione. Infine, gli algoritmi basati sulla classificazione sono stati utilizzati per sviluppare un sistema di monitoraggio completo. Il rilevamento dei guasti per i cuscinetti è un altro problema industriale rilevante che è stato risolto utilizzando un approccio di apprendimento automatico simile al caso precedente. In particolare, è stato sviluppato un classificatore basato su Support Vector Machine per rilevare e classificare diversi tipi di guasti. Dati sperimentali reali hanno consentito lo sviluppo di un sistema di rilevamento guasti che sfrutta l'analisi tempo-frequenza e l'analisi dell'immagine, i risultati ottenuti hanno dimostrato la sua idoneità sia per le condizioni operative stazionarie che non stazionarie dei cuscinetti. L'ultimo caso di studio proposto è un nuovo metodo non supervisionato per rilevare i guasti nei motori elettrici DC durante il controllo qualità alla fine della linea di produzione. Lo schema proposto utilizza un approccio di Novelty Detection consistente nell'utilizzo di una rete Denoising Autoencoder per modellare la condizione di normalità dei motori senza guasti, allo scopo di distinguere da questo background i motori con guasti che non rispettano i requisiti di qualità. I risultati ottenuti con test su dati sperimentali dimostrano la validità delle soluzioni sviluppate per ciascun case study affrontato, applicabili per l'implementazione di sistemi di monitoraggio per processi e dispositivi industriali dedicati al controllo di qualità e alla manutenzione delle apparecchiature.