WO2020128342A1 - Procédé et système de détection de déviation de fonctionnement d'un équipement industriel - Google Patents

Procédé et système de détection de déviation de fonctionnement d'un équipement industriel Download PDF

Info

Publication number
WO2020128342A1
WO2020128342A1 PCT/FR2019/053177 FR2019053177W WO2020128342A1 WO 2020128342 A1 WO2020128342 A1 WO 2020128342A1 FR 2019053177 W FR2019053177 W FR 2019053177W WO 2020128342 A1 WO2020128342 A1 WO 2020128342A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
vector
deviation
state
data
Prior art date
Application number
PCT/FR2019/053177
Other languages
English (en)
Inventor
Frédéric Verpillat
Léa JANOSSY
Guillaume SOYER
Original Assignee
Alizent International
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alizent International filed Critical Alizent International
Publication of WO2020128342A1 publication Critical patent/WO2020128342A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Definitions

  • the technical field of the invention is that of the maintenance of industrial equipment.
  • the present invention relates to a method and system for detecting failure and in particular to the use of a supervised single-class machine learning algorithm for the detection of deviation in the operation of industrial equipment.
  • the objective of industrial maintenance is to detect and correct faults in industrial equipment so that it is able to provide a specific service.
  • the first strategy is corrective maintenance, carried out after the detection of a failure and intended to restore equipment to a normal operating condition, so that it can provide the required service.
  • This type of maintenance is the most expensive because it requires a breakdown to take place, and therefore requires urgent repairs at all hours, to limit the downtime of the equipment.
  • the second strategy is preventive maintenance, carried out at regular intervals over time, with the aim of preventing a breakdown. These maintenance operations reduce the probability of failure because the normal operation of the equipment is checked periodically.
  • the major drawback of this approach is that it is based on statistical indicators (for example, the average time before failure) which do not take into account the specific operating mode of the equipment (such as the rate or stops machine). Part of the maintenance operations will then necessarily result in unnecessary maintenance operations or repairs due to breakages.
  • Predictive maintenance is a third strategy that aims to overcome the disadvantages of the other two maintenance strategies.
  • Predictive maintenance is based on observing the operation of the equipment. This monitoring can be performed continuously, on demand, or according to a schedule. The objective of predictive maintenance is to use the data resulting from this monitoring to plan maintenance operations at a time when implementing these operations is most economical and before the performance of the equipment deteriorates further. beyond a certain threshold.
  • a first type of predictive maintenance is called failure prognosis and health management and seeks to predict the moment when the equipment will stop performing its main function. We thus seek to predict the residual useful life, that is to say the remaining period during which the equipment will be operational, from physical models of operation of the equipment and from the evaluation of significant parameters of the degradation. good. In order for the prognosis to be precise, it is essential to be able to model the equipment and therefore to know its failure modes.
  • Another type of predictive maintenance uses direct observation of the equipment (mechanical condition, performance, and other indicators) to determine a loss equipment efficiency.
  • This type of predictive maintenance is then based on automatic learning methods (according to English machine learning terminology) supervised to classify the data acquired and thus detect if the equipment is in an operating mode conforming to its mode of operation. normal operation or if it deviates from its normal operating mode.
  • the term supervised means that the algorithm implementing such a machine learning method must learn what is normal operation and what is a deviation from normal operation. This involves defining in advance a normal operating state and a deviated operating state.
  • the invention offers a solution to the problems mentioned above, by proposing a predictive maintenance method capable of detecting a deviation in the operating mode of a piece of equipment, in particular a piece of equipment which experiences few breakdowns or slow deviations.
  • one aspect of the invention relates to a method for detecting the deviation of operation of at least one piece of equipment comprising:
  • the invention makes it possible to determine the deviations of an item of equipment without having available data corresponding to a deviation state. It is therefore only measurements of operating variables corresponding to normal operation of the equipment which are used as training and test data set during the learning and testing stages of the algorithm.
  • the deviation detection system implementing it is capable of classifying the vectors of operating data which are transmitted to it, either in a "normal operating" class or outside this class. Vectors classified outside of this class are then considered to represent a deviation of the equipment from its normal operation.
  • the deviation detection method according to one aspect of the invention may have one or more complementary characteristics among the following, considered individually or according to all technically possible combinations: -
  • the method is further characterized in that:
  • It includes a step of creating a state vector, comprising the time stamp of the operating data vector and the measurements of state variables included in the operating data vector and / or of a processing vector , comprising the time stamp of the data vector and the measurements of processing variables included in the operating data vector by a deviation detection system;
  • the learning algorithm implemented by the deviation detection system uses a first model to classify the state vector and a second model to classify the processing vector;
  • a deviation is detected in the deviation detection step by said deviation detection system if at least one of the state and processing vectors is not classified in the "normal operation" class.
  • the method further comprises:
  • ⁇ a first model for classifying state vectors, estimated from the drive state vectors, each driving state vector comprising at least one measurement of at least one equipment processing variable corresponding to normal operation and a class representative of normal operation and
  • each drive processing vector comprising at least one measurement of at least one corresponding equipment process variable to a normal operation and a class representative of normal operation; a step of testing the models with a set of test data vectors, each test data vector comprising a time stamp, at least one measurement of an equipment state variable and at least one measurement of a equipment processing variable.
  • the method according to the invention further comprises a step of transmitting the vector of operating data to the deviation detection system.
  • the single-class supervised learning algorithm is of the One-class Support Vector Machine type.
  • the deviation detection step further comprises sending a deviation notification to an operator after having detected a deviation.
  • the equipment is an equipment of a fluid production unit, in particular a fluid production unit by separation of air components ("ASU” according to the Anglo-Saxon name “Air Separation Unit”).
  • the equipment is an equipment chosen from a cryogenic pump, a compressor, a heat exchanger.
  • the equipment is of the air, oxygen or nitrogen compressor type.
  • the acquisition step is carried out by a sensor chosen from the following sensors: temperature, pressure, frequency, rotation speed, flow, intensity sensors, wattmeter, ammeter, voltmeter.
  • the state variables are variables chosen from the temperature of the ball bearing and / or the vibrations of the equipment and the processing variables are variables chosen from the temperature variables of the fluids entering and leaving the equipment and / or pressure variables entering and leaving the equipment.
  • the supervised machine learning algorithm can use two models to classify the data vectors, by categorizing the measured operating variables.
  • operating variable is meant a basic physical quantity such as temperature, time, electric intensity or even light intensity, a derived physical quantity such as electric power, pressure, frequency, speed , acceleration or even air flow or any variable used to define the operating state of equipment such as the vibration frequency, the vibration speed and the vibration amplitude.
  • the operating variables can include the outlet temperature, the inlet and outlet pressure, the temperature of the ball bearing, the vibrations.
  • the operating variables can include the temperature of the oil circuit, the suction temperature on each stage, the discharge temperature on each stage, the temperature of the coolant at the outlet of each exchanger, the pressure of the oil circuit, the suction pressure of each stage, the discharge pressure of each stage, the intensity of the engine, the power consumed, the flow rate of the air cycle, the vibrations.
  • operating variables can therefore be divided into two categories: state variables, and processing variables.
  • state variables make it possible to describe the state of health of the equipment
  • processing variables make it possible to describe the impact of the equipment on the external element which it has to treat, like a fluid in the case of a compressor.
  • the state variables can be the temperature of the ball bearing and the vibrations, since these variables describe the operating state of the cryogenic pump.
  • the processing variables can be the outlet temperature and the inlet and outlet pressure, since these variables describe how the cryogenic pump processes the fluids.
  • the inlet pressure of the cryogenic pump undergoes a large variation, it is possible to describe an abnormal treatment of the fluid by the equipment.
  • the fact of dividing the operating variables into two categories advantageously makes it possible to define a level of criticality of a detected deviation of an operating variable belonging to one or the other of the categories.
  • an abnormal compression ratio of the air calculated thanks to the pressure at the inlet and at the outlet of the equipment, which are treatment variables, can correspond to the start of fouling oil circuit.
  • This deviation can be considered less critical than an abnormal operating state of the compressor motor described by its rotation speed (a state variable), which would cause the equipment to stop operating.
  • This also advantageously makes it possible subsequently to categorize a deviation automatically, and therefore for a business expert to more easily identify a failure from the detected deviation.
  • Another aspect of the invention relates to a system for detecting the deviation of operation of at least one piece of equipment implementing the method according to the invention comprising:
  • an observation acquisition module comprising at least one measurement of at least one operating variable of the equipment
  • a module for creating a vector of equipment operating data said vector of operating data comprising at least one time stamp and the observation previously acquired;
  • a deviation detection module comprising:
  • an alert sub-module which receives at least one vector which has not been classified as being characteristic of normal operation of the equipment by the classification sub-module and which detects a deviation of the equipment from said vector received;
  • the classification submodule can be further configured to perform the step of creating state vector and processing and the classification step.
  • the acquisition module can be configured to acquire an observation via a sensor, via telemetry equipment or via a communication network.
  • the invention also relates to equipment comprising the deviation detection system according to the invention.
  • the equipment can be an equipment of a fluid production unit, in particular a fluid production unit by separation of air components of type "ASU” or "Air Separation Unit".
  • the equipment can be chosen from a cryogenic pump, a compressor, a heat exchanger.
  • the equipment can be of the air, oxygen or nitrogen compressor type.
  • the present invention also relates to a computer program comprising means for executing the steps of the method according to the invention when said program is executed on a computer.
  • Figure 1 shows a schematic representation of the system according to the invention.
  • Figure 2 shows a schematic representation of the deviation detection module according to the invention.
  • FIG. 3 shows a schematic representation of the process steps according to the invention.
  • FIG. 1 An embodiment of the deviation detection system of at least one item of equipment according to the invention is shown diagrammatically in FIG. 1.
  • equipment is meant all or part of all of the production equipment of a company, in particular equipment which experiences very few breakdowns and where the breakdowns can have multiple origins and are difficult to identify, such as a machine such as '' a cryogenic pump, a stage compressor, a heat exchanger.
  • the deviation detection system 100 of at least one piece of equipment comprises an acquisition module 10, a processing module 20, a transmission module 30, and a deviation detection module 40 comprising a sub-module data classification 50 and an alert sub-module 60.
  • the acquisition module 10 is capable of acquiring at least one observation.
  • An observation includes at least one measurement of at least one operating variable of the equipment.
  • the measured operating variable can thus be a state variable or a processing variable.
  • an observation can include only measures of one or more state variables, only measures of one or more processing variables or measures of one or more state variables and one or more treatment variables together.
  • an observation of a compressor can include, for example, a measurement of the speed of rotation of the compressor motor as well as a measurement of the pressure of the oil circuit.
  • the acquisition module 10 is capable of acquiring at least one observation via at least one sensor, telemetry equipment, a communication network, a man-machine interface, or via any other means of data acquisition.
  • the acquisition module 10 is capable of acquiring at least one observation comprising a pressure measurement of the oil circuit via, for example, a pressure sensor connected to the oil circuit.
  • Telemetry equipment means a device capable of interrogating sensors, receiving data from these sensors and transmitting this data via a communication network to a device on the network.
  • the acquisition module 10 is capable of acquiring at least one observation in transit in a communication network or stored within a communication network.
  • the acquisition module 10 is capable of acquiring at least one observation, for example stored on a remote computer server (“cloud” according to the Anglo-Saxon name) or sent by equipment of the network to said acquisition module 10.
  • human-machine interface is meant an interface allowing a business expert to supply data to the acquisition module 10, for example via a keyboard, a mouse, or one or more buttons.
  • the module 20 for creating a data vector makes it possible to synchronize the data acquired by the acquisition module 10 by time stamping it.
  • the data vector creation module 20 creates, from an observation acquired by the acquisition module 10, a data vector comprising at least a time stamp and said observation acquired by the acquisition module 10.
  • Timestamping means the association of a date with the observation, such as for example the date of measurement or the date on which the timestamp is carried out. This date can include the year, month, day, hour, minutes, seconds, milliseconds.
  • the deviation detection module 40 can subsequently order the observations received and thus have a coherent representation of the operation of the equipment to detect slow variations over time (small pressure drops spanning several months for example).
  • the transmission module 30 of said data vector makes it possible to transmit the data vector previously created by the creation module 20.
  • This transmission module 30 may comprise means for transmitting wireless data such as an antenna, a wired means, or any other means of data transmission.
  • FIG. 2 a schematic representation of the deviation detection module 40, which includes two sub-modules: a classification sub-module 50 and an alert sub-module 60.
  • the classification sub-module 50 is configured to receive the data vector 120 transmitted by the transmission module 30. In addition, the classification sub-module 50 is configured to create, from the data vector 120, two vectors: an equipment state vector comprising the measures of state variables included in the data vector 120 and a processing vector comprising the measures of processing variables included in the data vector 120. If only one of the two categories is present in data vector 120, only a vector corresponding to the data category will be created.
  • the classification sub-module 50 is also capable of classifying the state and processing vectors in a “normal operation” class or as not belonging to it.
  • each state and processing vector will be classified by an algorithm implemented by the classification sub-module 50 using a model which is specific to it: respectively a first model 1 10 estimated from measurements of state variables and / or a second model 1 1 1 estimated from measurements of treatment variables.
  • Each state and processing vector is thus classified as belonging to a “normal functioning” class or as not belonging to it, by a supervised machine learning algorithm.
  • Classified as belonging to a" normal functioning means adding a label to the vector indicating "normal functioning”.
  • a supervised machine learning algorithm is an algorithm which will find a prediction function associating with each input data an output class.
  • the algorithm is "supervised” when, to find this prediction function, the algorithm must learn from already classified example data. This is the training step, the examples already classified are therefore called training data. This data may have been collected directly from a sensor on a device or from a network device and annotated later, or they may have been created by a business expert. During this training phase, the prediction function found is called "model".
  • a subsidiary test phase makes it possible to test the robustness of the estimated model with test data, coming from the same data set as the training data. However, unlike training data, this test data is not annotated. Thus, a business expert will, on reading the results of the test phase, decide whether the estimated model is robust enough, that is to say that the number of false positives (test data classified as not belonging to the "normal operation” class when they belong to it) and false negatives (test data classified as belonging to the "normal operation” class when they do not belong to it) does not exceed a certain threshold set by the expert.
  • the supervised automatic learning method is a mono-class supervised automatic learning algorithm, for example a mono-class Support Vector Machine (“One-Class SVM” according to the Anglo-Saxon name “One -Class Support Vector Machine ”).
  • An algorithm of the “SVM” type will look for a linear border of separation between the training data supplied as input to classify them. This border will be found by maximizing the margin between the border and the samples closest to the border. Since the data is not always linearly separable, an “SVM” type algorithm will transform the representation space of the input data into a space of larger dimension, in which it is likely that there is a linear separation, an optimal hyperplane. The calculation of the maximum margin involves having at least two classes of training data, which is not the case for example when dealing with equipment experiencing few failures or slow deviations.
  • a so-called “mono-class” supervised learning algorithm makes it possible to have to define only a “normal operating” state, and therefore to annotate only “normal operating” data.
  • a “One-Class SVM” type algorithm will consider the origin of the space in which the data is represented as being the only member of a second class. It will then maximize the margin between the class including the training data and the class including the origin. We are therefore looking for the hyperplane furthest from the origin which separates the data from the origin.
  • the “One-Class SVM” type algorithm which is a single class “SVM”, only needs training data from a class to estimate a model and classify data thereafter.
  • the algorithm will only be presented as input for "normal operation” data, and will therefore estimate a model.
  • the classification sub-module 50 is then able to classify data vectors as not belonging to the “normal operation” class, even though no data n not belonging to the "normal operation” class was used to train the algorithm during the training phase.
  • the sub-module is configured to train and test the supervised single-class machine learning algorithm, in order to estimate two models: a first model 1 10 is estimated with measures of state variables, while 'a second model 1 1 1 is estimated with measures of treatment variables.
  • these two models 1 10 and 1 1 1 can be confused, that is to say that one and the same model can be estimated with measurements of state and treatment variables, or, in the case where only state variables or only processing variables are measured on the equipment, only one model can be estimated with the measurements of existing variables.
  • the classification sub-module 50 chooses the model 1 10 or the model 1 1 1 to be used to classify the data vector as a function of the category of the measured operating variables which it contains. After creating a state vector comprising a time stamp and measures of state variables and a processing vector comprising a time stamp and measures of operating variables, the classification sub-module 50 classifies each vector using the model which its own (the model 1 10 for a state vector and the model 1 1 1 for a processing vector) in a class “normal operation” by adding a label “normal operation”, for the state vectors 121 and processing 124, or as not belonging to it by not adding this label, for the state vectors 122 and processing 123.
  • the classification sub-module 50 is further configured to send the state vector 122 or the processing vector 123 classified as not belonging to the "normal operation" class to the alert sub-module 60.
  • the alert submodule 60 is configured to receive the state vector 122 or the processing vector 123.
  • the sub-module 60 is configured to send a deviation notification 70 to a business expert upon receipt of the state vector 122 or the processing vector 123.
  • This notification 70 can be carried out remotely, by sending a message via a communication network to the operator, or by a display on a man-machine interface.
  • This notification 70 includes information on the detected deviation, this information can include for example the faulty equipment, the time stamp, the operating variable or variables according to which the deviation was detected, and the sensor or sensors associated with these variables. operation.
  • This notification 70 thus allows the business expert to decide whether maintenance of the equipment is necessary.
  • this notification it is possible, in this notification, to indicate to which category (state vector or processing vector) the data vector classified as not belonging to the "normal operation" class belongs, in order to allow the expert to identify the origin of the deviation more quickly and its criticality.
  • a schematic representation of the steps of the deviation detection method 300 according to the invention is visible in Figure 3.
  • the deviation detection method 300 comprises a first step 310 of training a supervised single-class machine learning algorithm.
  • This supervised machine learning algorithm is implemented by the classification module 50.
  • the supervised automatic learning algorithm creates two models 1 10 and 1 1 1 estimated using training data 31 1 supplied as input, said training data 31 1 coming from from a data set 301.
  • the training data 31 1 may comprise 80% of the data set 301 and the test data 321 used in the next step 320 may comprise 20% of the data set 301.
  • This data set 301 includes more than one past observation of at least one state variable and one equipment operating variable.
  • Model 1 10 is estimated using measures of state variables from training data 31 1 and model 1 1 1 is estimated using measures of operating variables from training data 31 1.
  • the supervised machine learning algorithm being mono-class
  • the training data 31 1 are all annotated as belonging to the same class of "normal operation" of a piece of equipment. This annotation may have been carried out by a business expert, who will then have selected this data from the data set 301 as representative of the normal operation of the equipment.
  • the supervised single-class machine learning algorithm which can for example be of the “One-Class SVM” type. Is tested during a test step 320. This test is carried out with test data 321 coming from the same data set 301 as the training data 31 1, except that these test data 321 are not annotated. Thus, the business expert will be able to evaluate the decisions made by the single-class supervised machine learning algorithm with the 1 10 and 1 1 1 models. If the business expert decides that each estimated model 1 10 and 1 1 1 is reliable, he validates it and then comes the next acquisition step 330. The model 1 10 is tested with measurements of state variables coming from the 321 test data and model 1 1 1 is tested with measurements of operating variables from test data 321.
  • the third step 330 is a step of acquiring at least one observation 331 of at least one piece of equipment.
  • an observation 331 includes at least one measurement of at least one operating variable of the equipment.
  • This observation can include at least one measure of a state variable, at least one measure of a treatment variable, or a combination of both.
  • This acquisition step 330 is carried out by the acquisition module 10 via a sensor, via a communication network or even via telemetry equipment.
  • a data vector is created from the observation.
  • This data vector creation step 340 is performed by the data vector creation module 20.
  • a time stamp is added to the data vector in order to be able to subsequently order the observations and thus best model the operation of the equipment.
  • a fifth step 350 of transmission of the data vector is carried out by the transmission module 30.
  • the data vector thus created in the previous step 340 is transmitted to the deviation detection module 40.
  • a sixth step 360 of vector creation from the data vector is carried out by the classification sub-module 50.
  • This step comprises the creation of at least one vector, this vector possibly being a state vector, including the time stamp of the data vector and the measures of state variables included in the data vector, or possibly being a processing vector, comprising the time stamp of the data vector and the measures of processing variables included in the data vector.
  • the two types of vectors can also be created, in the case where the data vector would include the two categories of measures of state variables and operating variables.
  • a seventh step 370 comprises the classification of each of the state and / or processing vectors resulting from the preceding step 360 as belonging to a “normal operation” class or as not belonging to it.
  • This classification is carried out by a single-class machine learning algorithm implemented by the classification sub-module 50.
  • This algorithm uses the model 1 10 to decide whether a state vector belongs to the class "normal operation” or s' I don't belong to it.
  • This model was previously estimated at the stage drive 310 and tested in test step 320 with measurements of state variables.
  • This algorithm also uses the model 1 1 1 to decide whether a processing vector belongs to the class “normal operation” or if it does not belong to it.
  • This model was previously estimated in training step 310 and tested in testing step 320 with measurements of processing variables.
  • the classification module 50 via the supervised automatic learning algorithm which uses the estimated models, decides that the state vector and / or the processing vector belongs to the class "normal operation” , it adds a label "normal operation". If, on the contrary, it decides that the state and / or processing vector does not belong to the "normal operation” class, it transmits the state vector and / or the processing vector not belonging to the class "normal operation” to the alert module 60, which receives it in a next step 380.
  • An eighth step 380 of deviation detection comprises receiving the vector classified as not belonging to the "normal operation" class.
  • This step 380 can also include the notification to a business expert of a deviation detected on the equipment.
  • This notification can include, for example, information relating to the equipment, the observation timestamp, the deviation detection timestamp, the operating variable or variables involved and the sensor or sensors associated with these operating variables. , the category to which the vector belongs (state or processing). This allows the business expert to make an informed decision regarding the implementation of a maintenance operation on the equipment.
  • the method 300 allows the detection of deviations of an equipment even when these deviations are unknown, that it is difficult to model states of deviation of the equipment or to describe all of its possible deviations. It also makes it possible to categorize if the deviation has an impact on the state of health of the equipment or on the treatment of the external element that has to treat the equipment (like a fluid for example), thanks to the categorization operating variables.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

L'invention concerne un procédé de détection de défaillances comprenant une étape d'acquisition de données, une étape de mise en forme des données, une étape de classification des données en utilisant un algorithme d'apprentissage automatique supervisé mono-classe de type «One-Class SVM» et deux modèles correspondant à deux catégories de données et une étape de détection de déviation.

Description

Procédé et système de détection de déviation de fonctionnement d’un
équipement industriel
Le domaine technique de l’invention est celui de la maintenance d’équipements industriels. La présente invention concerne un procédé et un système de détection de défaillance et en particulier l’utilisation d’un algorithme d’apprentissage automatique supervisé mono-classe pour la détection de déviation de fonctionnement d’un équipement industriel.
L’objectif de la maintenance industrielle est de détecter et corriger les défaillances d’un équipement industriel afin que celui-ci soit en mesure d’assurer un service déterminé.
Pour atteindre cet objectif, différentes stratégies sont utilisées. La première stratégie est la maintenance corrective, effectuée après la détection d’une panne et destinée à remettre un équipement dans un état de fonctionnement normal, pour qu’il puisse assurer le service requis. Ce type de maintenance est le plus coûteux car il nécessite qu’une panne ait lieu, et demande donc des réparations en urgence à toute heure, pour limiter le temps d’immobilisation de l’équipement.
La deuxième stratégie est la maintenance préventive, effectuée à intervalles réguliers dans le temps, dans l’objectif de prévenir une panne. Ces opérations de maintenance permettent de réduire la probabilité de défaillance car le fonctionnement normal de l’équipement est vérifié périodiquement. L’inconvénient majeur de cette approche est qu’elle se fonde sur des indicateurs statistiques (par exemple, le temps moyen avant panne) qui ne prennent pas en compte le mode d’opération spécifique de l’équipement (comme la cadence ou les arrêts machine). Une partie des opérations de maintenance résultera alors nécessairement en des opérations de maintenance inutiles ou des réparations dues à des casses.
La maintenance prédictive est une troisième stratégie qui vise à pallier les inconvénients des deux autres stratégies de maintenance. La maintenance prédictive est fondée sur l’observation du fonctionnement de l’équipement. Cette surveillance peut être réalisée en continu, à la demande, ou selon un calendrier. L’objectif de la maintenance prédictive est d’utiliser les données résultant de cette surveillance pour planifier des opérations de maintenance à un instant où mettre en œuvre ces opérations est le plus économique et avant que la performance de l’équipement ne se dégrade au-delà d’un certain seuil. Il existe plusieurs types de maintenance prédictive. Un premier type de maintenance prédictive est nommé pronostic de défaillance et gestion de la santé et cherche à prédire l’instant où l’équipement arrêtera de remplir sa fonction principale. On cherche ainsi à prédire la vie utile résiduelle, c’est-à-dire la période restante durant laquelle l’équipement sera opérationnel, à partir de modèles physiques de fonctionnement de l’équipement et de l’évaluation de paramètres significatifs de la dégradation du bien. Pour que le pronostic puisse être précis, il est essentiel de pouvoir modéliser l’équipement et donc de connaître ses modes de défaillance.
Plutôt que de s’appuyer sur des indicateurs industriels ou statistiques pour prévoir les tâches de maintenance, un autre type de maintenance prédictive utilise l’observation directe de l’équipement (condition mécanique, rendement, et d’autres indicateurs) pour déterminer une perte d’efficience de l’équipement. Ce type de maintenance prédictive s’appuie ensuite sur des méthodes d’apprentissage automatique (selon la terminologie anglo-saxonne machine learning) supervisé pour classer les données acquises et ainsi détecter si l’équipement est dans un mode de fonctionnement conforme à son mode de fonctionnement normal ou s’il dévie de son mode de fonctionnement normal. Le terme supervisé signifie que l’algorithme mettant en œuvre une telle méthode d’apprentissage automatique doit apprendre ce qu’est un fonctionnement normal et ce qu’est une déviation du fonctionnement normal. Cela implique de définir à l’avance un état de fonctionnement normal et un état de fonctionnement dévié.
Pour cela, le document US 2012304008 A1 (H. HAGSTEIN ET AL. [DE]) propose, à partir de règles définies manuellement par des experts humains, de créer un jeu de données artificielles d’entraînement correspondant à un état de fonctionnement dévié artificiel.
Cependant, dans les secteurs où les équipements industriels subissent très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, il n’est pas possible de définir à l’avance un état de fonctionnement dévié ni de telles règles pour réussir à mettre en place une maintenance prédictive selon l’état de la technique présenté précédemment.
Il existe donc un besoin de mettre en place une maintenance prédictive efficace, notamment pour les équipements subissant peu de pannes ou des déviations lentes.
L’invention offre une solution aux problèmes évoqués précédemment, en proposant un procédé de maintenance prédictive capable de détecter une déviation dans le mode de fonctionnement d’un équipement, notamment un équipement subissant peu de pannes ou des déviations lentes.
Pour cela, un aspect de l’invention concerne un procédé de détection de déviation de fonctionnement d’au moins un équipement comprenant :
- une étape d’acquisition d’au moins une observation, une observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement;
- une étape de création d’au moins un vecteur de données de fonctionnement de l’équipement comprenant un horodatage et l'observation précédemment acquise ;
- une étape de classification du vecteur de données comme étant caractéristique d’un fonctionnement normal de l’équipement ou comme ne l’étant pas par le système de détection de déviations implémentant un algorithme d’apprentissage automatique supervisé mono-classe;
- une étape de détection de déviation par ledit système de détection de déviations si au moins un vecteur de données n’est pas classé dans la classe « fonctionnement normal ».
Ainsi, en utilisant un algorithme d’apprentissage automatique supervisé mono classe, l’invention permet de déterminer les déviations d’un équipement sans avoir à disposition des données correspondant à un état de déviation. Ce sont donc uniquement des mesures de variables de fonctionnement correspondant à un fonctionnement normal de l’équipement qui sont utilisées en tant que jeu de données d’entraînement et de test lors des étapes d’apprentissage et de test de l’algorithme.
Une fois l’algorithme entraîné et testé, le système de détection de déviations l’implémentant est capable de classer les vecteurs de données de fonctionnement qui lui sont transmis, soit dans une classe « fonctionnement normal », soit en dehors de cette classe. Les vecteurs classés en dehors de ladite classe sont alors considérés comme représentant une déviation de l’équipement de son fonctionnement normal.
Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé de détection de déviation selon un aspect de l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles : - le procédé est caractérise en outre en ce que :
• Il comprend une étape de création d’un vecteur d’état, comprenant l’horodatage du vecteur de données de fonctionnement et les mesures de variables d’état comprises dans le vecteur de données de fonctionnement et/ou d’un vecteur de traitement, comprenant l’horodatage du vecteur de données et les mesures de variables de traitement comprises dans le vecteur de données de fonctionnement par un système de détection de déviations ;
• Chacun des vecteurs d’état et de traitement sont classifiés à l’étape de classification ;
• L’algorithme d’apprentissage implémenté par le système de détection de déviation utilise un premier modèle pour classifier le vecteur d’état et un second modèle pour classifier le vecteur de traitement ;
• Une déviation est détectée à l’étape de détection de déviation par ledit système de détection de déviations si au moins un des vecteurs d’état et de traitement n’est pas classé dans la classe « fonctionnement normal ».
- Le procédé comprend en outre :
o une étape d’entraînement de l’algorithme d’apprentissage automatique supervisé mono-classe avec un ensemble de vecteurs de données d’entraînement comprenant au moins un vecteur d’état et au moins un vecteur de traitement pour créer deux modèles :
■ un premier modèle permettant de classifier des vecteurs d’état, estimé à partir des vecteurs d’état d’entraînement, chaque vecteur d’état d’entraînement comprenant au moins une mesure d’au moins une variable de traitement de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal et
■ un second modèle permettant de classifier des vecteurs de traitement, estimé à partir des vecteurs de traitement d’entraînement, chaque vecteur de traitement d’entraînement comprenant au moins une mesure d’au moins une variable de traitement de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal ; o une étape de test des modèles avec un ensemble de vecteurs de données de test, chaque vecteur de données de test comprenant un horodatage, au moins une mesure d’une variable d’état de l’équipement et au moins une mesure d’une variable de traitement de l’équipement.
- Le procédé selon l’invention comporte en outre une étape de transmission du vecteur de données de fonctionnement au système de détection de déviations.
- L’algorithme d’apprentissage supervisé mono-classe est de type Machines à Vecteurs de Support mono-classe « One-class Support Vector Machine ».
- L’étape de détection de déviation comprend en outre l’envoi d’une notification de déviation à un opérateur après avoir détecté une déviation.
- L’équipement est un équipement d’une unité de production de fluide, en particulier une unité de production de fluide par séparation des composants de l’air (« ASU » selon la dénomination anglo-saxonne « Air Séparation Unit »).
- L’équipement est un équipement choisi parmi une pompe cryogénique, un compresseur, un échangeur de chaleur.
- L’équipement est du type compresseur d’air, d’oxygène ou d’azote.
- L’étape d’acquisition est réalisée par un capteur choisi parmi les capteurs suivants : capteurs de température, de pression, de fréquence, de vitesse de rotation, de débit, d’intensité, wattmètre, ampèremètre, voltmètre.
- Les variables d’état sont des variables choisies parmi la température du roulement à billes et/ou les vibrations de l’équipement et les variables de traitement sont des variables choisies parmi les variables de température des fluides en entrée et en sortie de l’équipement et/ou les variables de pression en entrée et en sortie de l’équipement.
Avantageusement, l’algorithme d’apprentissage automatique supervisé peut utiliser deux modèles pour classer les vecteurs de données, en catégorisant les variables de fonctionnement mesurées.
Par « variable de fonctionnement » on entend une grandeur physique de base telle que la température, le temps, l’intensité électrique ou encore l’intensité lumineuse, une grandeur physique dérivée telle que la puissance électrique, la pression, la fréquence, la vitesse, l’accélération ou encore le débit d’air ou toute variable permettant de définir l’état de fonctionnement d’un équipement comme la fréquence de vibration, la vitesse de vibration et l’amplitude de vibration. Par exemple, dans le cas d’un équipement tel qu’une pompe cryogénique, les variables de fonctionnement peuvent comprendre la température en sortie, la pression en entrée et en sortie, la température du roulement à billes, les vibrations.
Dans le cas d’un compresseur à deux étages, les variables de fonctionnement peuvent comprendre la température du circuit d’huile, la température d’aspiration à chaque étage, la température de refoulement à chaque étage, la température du fluide de refroidissement en sortie de chaque échangeur, la pression du circuit d’huile, la pression d’aspiration de chaque étage, la pression de refoulement de chaque étage, l’intensité du moteur, la puissance consommée, le débit du cycle d’air, les vibrations.
Ces variables de fonctionnement peuvent donc être divisées en deux catégories : les variables d’état, et les variables de traitement. Les variables d’état permettent de décrire l’état de santé de l’équipement, et les variables de traitement permettent de décrire l’impact de l’équipement sur l’élément extérieur qu’il a à traiter, comme un fluide dans le cas d’un compresseur.
Par exemple, dans le cas d’une pompe cryogénique, les variables d’état peuvent être la température du roulement à billes et les vibrations, puisque ces variables décrivent l’état de fonctionnement de la pompe cryogénique. Les variables de traitement quant à elles peuvent être la température en sortie et la pression en entrée et en sortie, car ces variables décrivent la façon dont la pompe cryogénique traite les fluides. Ainsi, si la pression en entrée de la pompe cryogénique subit une forte variation, il est possible de décrire un traitement anormal du fluide par l’équipement.
Dans le cas d’un échangeur de chaleur, il est possible de décrire le traitement effectué par l’équipement sur un fluide grâce aux variables de traitement que sont la température des fluides dans le premier et dans le second circuit, en entrée et en sortie de l’équipement. Ainsi, si la température du fluide en sortie d’un des circuits subit une variation anormale au cours du temps, il est possible de décrire un traitement anormal du fluide par l’échangeur de chaleur.
Le fait de diviser les variables de fonctionnement en deux catégories permet avantageusement de définir un niveau de criticité d’une déviation détectée d’une variable de fonctionnement appartenant à l’une ou l’autre des catégories. En effet, dans le cas d’un compresseur, un taux de compression anormal de l’air calculé grâce à la pression en entrée et en sortie de l’équipement qui sont des variables de traitement, peut correspondre à un début d’encrassement du circuit d’huile. Cette déviation peut être considérée moins critique qu’un état de fonctionnement anormal du moteur du compresseur décrit par sa vitesse de rotation (une variable d’état), qui entraînerait l’arrêt du fonctionnement de l’équipement. Cela permet aussi avantageusement par la suite de catégoriser une déviation automatiquement, et donc à un expert métier d’identifier plus facilement une défaillance à partir de la déviation détectée.
Un autre aspect de l’invention concerne un système de détection de déviation de fonctionnement d’au moins un équipement mettant en œuvre le procédé selon l’invention comprenant :
- un module d’acquisition d’une observation, l’observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement ;
- un module de création d’un vecteur de données de fonctionnement de l’équipement, ledit vecteur de données de fonctionnement comprenant au moins un horodatage et l’observation précédemment acquise ;
- un module de détection de déviations comprenant :
o un sous-module de classification de chaque vecteur de données de fonctionnement;
o un sous-module d’alerte qui reçoit au moins un vecteur n’ayant pas été classé comme étant caractéristique d’un fonctionnement normal de l’équipement par le sous-module de classification et qui détecte une déviation de l’équipement à partir dudit vecteur reçu ;
Le sous-module de classification peut être configuré en outre pour réaliser l’étape de création de vecteur d’état et de traitement et l’étape de classification.
Le module d’acquisition peut être configuré pour acquérir une observation via un capteur, via un équipement de télémétrie ou via un réseau de communication.
L’invention concerne également un équipement comprenant le système de détection de déviation selon l’invention.
L’équipement peut être un équipement d’une unité de production de fluide, en particulier une unité de production de fluide par séparation des composants de l’air de type « ASU » ou « Air Séparation Unit ».
L’équipement peut être choisi parmi une pompe cryogénique, un compresseur, un échangeur de chaleur.
L’équipement peut être du type compresseur d’air, d’oxygène ou d’azote. La présente invention a également pour objet un programme d’ordinateur comportant des moyens pour l’exécution des étapes du procédé selon l’invention lorsque ledit programme est exécuté sur un ordinateur.
L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.
Les figures sont présentées à titre indicatif et nullement limitatif de l’invention. La Figure 1 montre une représentation schématique du système selon l’invention.
La Figure 2 montre une représentation schématique du module de détection de déviation selon l’invention.
La Figure 3 montre une représentation schématique des étapes du procédé selon l’invention.
Sauf précision contraire, un même élément apparaissant sur des figures différentes présente une référence unique.
Un mode de réalisation du système de détection de déviations d’au moins un équipement selon l’invention est représenté schématiquement sur la Figure 1 .
Par « équipement » on entend tout ou partie de l’ensemble du matériel de production d’une entreprise, notamment du matériel subissant très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, comme par exemple une machine telle qu’une pompe cryogénique, un compresseur à étages, un échangeur de chaleur.
Le système de détection de déviations 100 d’au moins un équipement selon l’invention comprend un module d’acquisition 10, un module de traitement 20, un module de transmission 30, et un module de détection de déviations 40 comprenant un sous-module de classement de données 50 et un sous-module d’alerte 60.
Le module d’acquisition 10 est capable d’acquérir au moins une observation. Une observation comprend au moins une mesure d’au moins une variable de fonctionnement de l’équipement. La variable de fonctionnement mesurée peut ainsi être une variable d’état ou une variable de traitement. Dans le cas où plusieurs variables sont mesurées, une observation peut comprendre seulement des mesures d’une ou plusieurs variables d’état, seulement des mesures d’une ou plusieurs variables de traitement ou des mesures d’une ou plusieurs variables d’état et d’une ou plusieurs variables de traitement conjointement. Ainsi, une observation d’un compresseur peut comprendre par exemple une mesure de la vitesse de rotation du moteur du compresseur ainsi qu’une mesure de la pression du circuit d’huile.
Le module d’acquisition 10 est capable d’acquérir au moins une observation via au moins un capteur, un équipement de télémétrie, un réseau de communication, une interface homme-machine, ou via tout autre moyen d’acquisition de données.
Par « capteur » on entend un dispositif capable de recueillir la mesure d’une grandeur physique et la transformer en un signal correspondant. Ainsi, le module d’acquisition 10 est capable d’acquérir au moins une observation comprenant une mesure de pression du circuit d’huile via par exemple un capteur de pression connecté au circuit d’huile.
Par « équipement de télémétrie », on entend un dispositif capable d’interroger des capteurs, recevoir des données de ces capteurs et transmettre ces données via un réseau de communication à un dispositif du réseau.
Par « via un réseau de communication » on entend que le module d’acquisition 10 est capable d’acquérir au moins une observation en transit dans un réseau de communication ou stockée au sein d’un réseau de communication. Ainsi, le module d’acquisition 10 est capable d’acquérir au moins une observation par exemple stockée sur un serveur informatique distant (« cloud » selon la dénomination anglo-saxonne) ou envoyée par un équipement du réseau audit module d’acquisition 10.
Par « interface homme-machine » on entend une interface permettant à un expert métier de fournir des données au module d’acquisition 10, par exemple via un clavier, une souris, ou un ou plusieurs boutons.
Le module de création 20 d’un vecteur de données permet de synchroniser les données acquises par le module d’acquisition 10 en les horodatant. Le module de création 20 d’un vecteur de données crée, à partir d’une observation acquise par le module d’acquisition 10, un vecteur de données comprenant au moins un horodatage et ladite observation acquise par le module d’acquisition 10.
On entend par horodatage l’association d’une date à l’observation, comme par exemple la date de la prise de mesure ou la date à laquelle est effectué l’horodatage. Cette date peut comprendre l’année, le mois, le jour, l’heure, les minutes, les secondes, les millisecondes.
Grâce à cet horodatage, le module de détection de déviation 40 peut par la suite ordonner les observations reçues et ainsi avoir une représentation cohérente du fonctionnement de l’équipement pour détecter des variations lentes dans le temps (de faibles baisses de pression s’étalant sur plusieurs mois par exemple).
Le module de transmission 30 dudit vecteur de données permet de transmettre le vecteur de données créé précédemment par le module de création 20. Ce module de transmission 30 peut comprendre un moyen pour transmettre des données sans-fil comme une antenne, un moyen filaire, ou tout autre moyen de transmission de données.
On peut voir sur la Figure 2 une représentation schématique du module de détection de déviations 40, qui comprend deux sous-modules : un sous-module de classification 50 et un sous-module d’alerte 60.
Le sous-module de classification 50 est configuré pour recevoir le vecteur de données 120 transmis par le module de transmission 30. De plus, le sous-module de classification 50 est configuré pour créer, à partir du vecteur de données 120, deux vecteurs : un vecteur d’état de l’équipement comprenant les mesures de variables d’état comprises dans le vecteur de données 120 et un vecteur de traitement comprenant les mesures de variables de traitement comprises dans le vecteur de données 120. Si seulement une des deux catégories de données est présente dans le vecteur de données 120, seul un vecteur correspondant à la catégorie de données sera créé. Le sous-module de classification 50 est aussi capable de classer les vecteurs d’état et de traitement dans une classe « fonctionnement normal » ou comme n’y appartenant pas.
Ainsi, chaque vecteur d’état et de traitement va être classé par un algorithme implémenté par le sous-module de classification 50 en utilisant un modèle qui lui est propre : respectivement un premier modèle 1 10 estimé à partir de mesures de variables d’état et/ou un second modèle 1 1 1 estimé à partir de mesures de variables de traitement.
Chaque vecteur d’état et de traitement est ainsi classé comme appartenant à une classe « fonctionnement normal » ou comme n’y appartenant pas, par un algorithme d’apprentissage automatique supervisé.
On entend par « classé comme appartenant à une classe « fonctionnement normal » » l’ajout d’un label au vecteur indiquant « fonctionnement normal ».
Un algorithme d’apprentissage automatique supervisé est un algorithme qui va trouver une fonction de prédiction associant à chaque donnée d’entrée une classe en sortie. L’algorithme est « supervisé » quand, pour trouver cette fonction de prédiction, l’algorithme doit apprendre à partir de données d’exemple déjà classées. C’est l’étape d’entraînement, les exemples déjà classés sont donc appelés les données d’entraînement. Ces données peuvent avoir été récoltées directement depuis un capteur sur un équipement ou depuis un équipement réseau et annotées ultérieurement, ou encore elles peuvent avoir été créées par un expert métier. Lors de cette phase d’entraînement, la fonction de prédiction trouvée est appelée « modèle ».
Une phase de test subsidiaire permet de tester la robustesse du modèle estimé avec des données de test, provenant du même jeu de données que les données d’entraînement. Cependant, contrairement aux données d’entraînement, ces données de test ne sont pas annotées. Ainsi, un expert métier devra, à la lecture des résultats de la phase de test, décider si le modèle estimé est assez robuste, c’est-à-dire que le nombre de faux positifs (données de test classées comme n’appartenant pas à la classe « fonctionnement normal » alors qu’elles y appartiennent) et de faux négatifs (données de test classées comme appartenant à la classe « fonctionnement normal » alors qu’elles n’y appartiennent pas) ne dépasse pas un certain seuil fixé par l’expert.
Ces deux phases de test et d’entraînement nécessitent normalement d’annoter des données comme étant des données de « fonctionnement normal » et d’autres données comme étant des données de « déviation ». Cependant, dans les secteurs où les équipements industriels subissent très peu de pannes et où les pannes peuvent avoir des origines multiples et difficilement identifiables, comme sur une pompe cryogénique, un échangeur de chaleur ou un compresseur présentés précédemment, il n’est pas possible de définir à l’avance un état de fonctionnement dévié ou défaillant.
Selon l’invention, la méthode d’apprentissage automatique supervisée est un algorithme d’apprentissage automatique supervisé mono-classe, par exemple une Machine à Vecteurs de Support mono-classe (« One-Class SVM » selon la dénomination anglo-saxonne « One-Class Support Vector Machine »).
Un algorithme de type « SVM » va chercher une frontière linéaire de séparation entre les données d’entraînement fournies en entrée pour les classer. Cette frontière va être trouvée grâce à la maximisation de la marge entre la frontière et les échantillons les plus proches de la frontière. Les données n’étant pas toujours linéairement séparables, un algorithme de type « SVM » va transformer l’espace de représentation des données d’entrées en un espace de plus grande dimension, dans lequel il est probable qu’il existe une séparation linéaire, un hyperplan optimal. Le calcul de la marge maximale implique d’avoir au moins deux classes de données d’entraînement, ce qui n’est pas le cas par exemple quand on traite d’équipements connaissant peu de pannes ou des déviations lentes.
Avantageusement, un algorithme d’apprentissage supervisé dit « mono classe » permet de n’avoir à définir qu’un état de « fonctionnement normal », et donc de n’annoter que des données de « fonctionnement normal ». Pour ce faire, un algorithme de type « One-Class SVM » va considérer l’origine de l’espace dans lequel les données sont représentées comme étant le seul membre d’une seconde classe. Il va alors maximiser la marge entre la classe comprenant les données d’entraînement et la classe comprenant l’origine. On cherche donc l’hyperplan le plus éloigné de l’origine qui sépare les données de l’origine.
Ainsi, l’algorithme de type « One-Class SVM », qui est un « SVM » mono classe, n’a besoin que de données d’entraînement d’une classe pour estimer un modèle et classifier des données par la suite.
Lors de la phase d’entraînement, l’algorithme ne se verra présenté en entrée que des données de « fonctionnement normal », et estimera ainsi un modèle. Lors des phases de test et de réception de vecteurs de données 120, le sous-module de classification 50 est alors capable de classer des vecteurs de données comme n’appartenant pas à la classe « fonctionnement normal », alors même qu’aucune donnée n’appartenant pas à la classe « fonctionnement normal » n’avait été utilisée pour entraîner l’algorithme lors de la phase d’entraînement.
Pour cela, le sous-module est configuré pour entraîner et tester l’algorithme d’apprentissage automatique supervisé mono-classe, afin d’estimer deux modèles : un premier modèle 1 10 est estimé avec des mesures de variables d’état, tandis qu’un second modèle 1 1 1 est estimé avec des mesures de variables de traitement.
Dans une variante moins avantageuse, ces deux modèles 1 10 et 1 1 1 peuvent être confondus, c’est-à-dire qu’un seul et même modèle peut être estimé avec des mesures de variables d’état et de traitement, ou, dans le cas où ne sont mesurées sur l’équipement que des variables d’état ou que des variables de traitement, qu’un seul modèle peut être estimé avec les mesures de variables existantes.
Le sous-module de classification 50 choisit le modèle 1 10 ou le modèle 1 1 1 à utiliser pour classer le vecteur de données en fonction de la catégorie des variables de fonctionnement mesurées qu’il contient. Après avoir créé un vecteur d’état comprenant un horodatage et des mesures de variables d’état et un vecteur de traitement comprenant un horodatage et des mesures de variables de fonctionnement, le sous-module de classification 50 classe chaque vecteur en utilisant le modèle qui lui est propre (le modèle 1 10 pour un vecteur d’état et le modèle 1 1 1 pour un vecteur de traitement) dans une classe « fonctionnement normal » en y ajoutant une étiquette « fonctionnement normal », pour les vecteurs d’état 121 et de traitement 124, ou comme n’y appartenant pas en n’ajoutant pas cette étiquette, pour les vecteurs d’état 122 et de traitement 123.
Alors que seules des données de « fonctionnement normal » sont disponibles, car il est difficile de modéliser des états de déviation, de décrire l’ensemble des pannes possibles sur un équipement, ou de déceler des déviations lentes dans le temps (sur plusieurs mois), l’utilisation d’un algorithme d’apprentissage supervisé mono-classe permet avantageusement de détecter des déviations jusqu’alors inconnues, trop complexes à modéliser ou trop difficiles à déceler.
Le sous-module de classification 50 est en outre configuré pour envoyer le vecteur d’état 122 ou le vecteur de traitement 123 classé comme n’appartenant pas à la classe « fonctionnement normal » au sous-module d’alerte 60.
Le sous-module d’alerte 60 est configuré pour recevoir le vecteur d’état 122 ou le vecteur de traitement 123.
En outre, le sous-module 60 est configuré pour émettre une notification 70 de déviation à un expert métier à la réception du vecteur d’état 122 ou du vecteur de traitement 123. Cette notification 70 peut être effectuée à distance, par l’envoi d’un message via un réseau de communication à l’opérateur, ou par un affichage sur une interface homme-machine. Cette notification 70 comprend des informations sur la déviation détectée, ces informations pouvant comprendre par exemple l’équipement défaillant, l’horodatage, la ou les variables de fonctionnement selon lesquelles a été détectée la déviation, et le ou les capteurs associés à ces variables de fonctionnement.
Cette notification 70 permet ainsi à l’expert métier de décider si une maintenance de l’équipement est nécessaire. Avantageusement, il est possible, dans cette notification, d’indiquer à quelle catégorie (vecteur d’état ou vecteur de traitement) appartient le vecteur de données classé comme n’appartenant pas à la classe « fonctionnement normal », afin de permettre à l’expert métier d’identifier l’origine de la déviation plus rapidement et sa criticité. Une représentation schématique des étapes du procédé de détection de déviations 300 selon l’invention est visible en Figure 3.
Le procédé de détection de déviations 300 comprend une première étape 310 d’entraînement d’un algorithme d’apprentissage automatique supervisé mono-classe. Cet algorithme d’apprentissage automatique supervisé est implémenté par le module de classification 50.
Lors d’une première étape 310 d’entraînement, l’algorithme d’apprentissage automatique supervisé crée deux modèles 1 10 et 1 1 1 estimés grâce à des données d’entraînement 31 1 fournies en entrée, lesdites données d’entraînement 31 1 provenant d’un jeu de données 301 . Par exemple, les données d’entraînement 31 1 peuvent comprendre 80% du jeu de données 301 et les données de test 321 utilisées à l’étape suivante 320 peuvent comprendre 20% du jeu de données 301 .
Ce jeu de données 301 comprend plus d’une observation passée d’au moins une variable d’état et une variable de fonctionnement d’un équipement. Le modèle 1 10 est estimé grâce aux mesures de variables d’état des données d’entraînement 31 1 et le modèle 1 1 1 est estimé grâce aux mesures de variables de fonctionnement des données d’entraînement 31 1 .
Selon l’invention, l’algorithme d’apprentissage automatique supervisé étant mono-classe, les données d’entraînement 31 1 sont toutes annotées comme appartenant à une même classe de « fonctionnement normal » d’un équipement. Cette annotation peut avoir été effectuée par un expert métier, qui aura alors sélectionné ces données parmi le jeu de données 301 comme représentatives du fonctionnement normal de l’équipement.
Une fois entraîné, c’est-à-dire une fois que les deux modèles 1 10 et 1 1 1 sont estimés, l’algorithme d’apprentissage automatique supervisé mono-classe, qui peut être par exemple de type « One-Class SVM », est testé lors d’une étape 320 de test. Ce test est réalisé avec des données de test 321 provenant du même jeu de données 301 que les données d’entraînement 31 1 , à l’exception que ces données de test 321 sont non annotées. Ainsi, l’expert métier va pouvoir évaluer les décisions prises par l’algorithme d’apprentissage automatique supervisé mono-classe avec les modèles 1 10 et 1 1 1 . Si l’expert métier décide que chaque modèle estimé 1 10 et 1 1 1 est fiable, il le valide et vient alors l’étape suivante d’acquisition 330. Le modèle 1 10 est testé avec des mesures de variables d’état provenant des données de test 321 et le modèle 1 1 1 est testé avec des mesures de variables de fonctionnement provenant des données de test 321 .
La troisième étape 330 est une étape d’acquisition d’au moins une observation 331 d’au moins un équipement. Comme défini précédemment, une observation 331 comprend au moins une mesure d’au moins une variable de fonctionnement de l’équipement. Cette observation peut comprendre au moins une mesure d’une variable d’état, au moins une mesure d’une variable de traitement, ou une combinaison des deux. Cette étape d’acquisition 330 est réalisée par le module d’acquisition 10 via un capteur, via un réseau de communication ou encore via un équipement de télémétrie.
Dans une quatrième étape 340, un vecteur de données est créé à partir de l’observation. Cette étape 340 de création de vecteur de données est réalisée par le module 20 de création de vecteur de données. Durant cette étape 340, un horodatage est ajouté au vecteur de données afin de pouvoir ordonner par la suite les observations et ainsi modéliser au mieux le fonctionnement de l’équipement.
Une cinquième étape 350 de transmission du vecteur de données est réalisée par le module 30 de transmission. Le vecteur de données ainsi créé à l’étape 340 précédente est transmis au module 40 de détection de déviations.
Une sixième étape 360 de création de vecteur à partir du vecteur de données est réalisée par le sous-module de classification 50. Cette étape comprend la création d’au moins un vecteur, ce vecteur pouvant être un vecteur d’état, comprenant l’horodatage du vecteur de données et les mesures de variables d’état comprises dans le vecteur de données, ou pouvant être un vecteur de traitement, comprenant l’horodatage du vecteur de données et les mesures de variables de traitement comprises dans le vecteur de données.
Les deux types de vecteurs peuvent aussi être créés, dans le cas où le vecteur de données comprendrait les deux catégories de mesures de variables d’état et de variables de fonctionnement.
Une septième étape 370 comprend la classification de chacun des vecteurs d’état et/ou de traitement résultant de l’étape 360 précédente comme appartenant à une classe « fonctionnement normal » ou comme n’y appartenant pas. Cette classification est réalisée par un algorithme d’apprentissage automatique mono-classe implémenté par le sous-module de classification 50. Cet algorithme utilise le modèle 1 10 pour décider si un vecteur d’état appartient à la classe « fonctionnement normal » ou s’I n’y appartient pas. Ce modèle a précédemment été estimé à l’étape d’entraînement 310 et testé à l’étape de test 320 avec des mesures de variables d’état. Cet algorithme utilise aussi le modèle 1 1 1 pour décider si un vecteur de traitement appartient à la classe « fonctionnement normal » ou s’il n’y appartient pas. Ce modèle a précédemment été estimé à l’étape d’entraînement 310 et testé à l’étape de test 320 avec des mesures de variables de traitement.
Lors de cette étape 370, si le module de classification 50, via l’algorithme d’apprentissage automatique supervisé qui utilise les modèles estimés, décide que le vecteur d’état et/ou le vecteur de traitement appartient à la classe « fonctionnement normal », il y ajoute une étiquette « fonctionnement normal ». Si, au contraire, il décide que le vecteur d’état et/ou de traitement n’appartient pas à la classe « fonctionnement normal », il transmet le vecteur d’état et/ou le vecteur de traitement n’appartenant pas à la classe « fonctionnement normal » au module d’alerte 60, qui le reçoit dans une étape suivante 380.
Une huitième étape 380 de détection de déviation comprend la réception du vecteur classé comme n’appartenant pas à la classe « fonctionnement normal ». Cette étape 380 peut aussi comprendre la notification à un expert métier d’une déviation détectée sur l’équipement. Cette notification peut comprendre par exemple des informations concernant l’équipement, l’horodatage de l’observation, l’horodatage de la détection de la déviation, la ou les variables de fonctionnement en cause et le ou les capteurs associés à ces variables de fonctionnement, la catégorie à laquelle appartient le vecteur (d’état ou de traitement). Cela permet à l’expert métier de prendre une décision éclairée quant à la mise en place d’une opération de maintenance sur l’équipement.
Ainsi, le procédé 300 permet la détection de déviations d’un équipement alors même que ces déviations sont inconnues, qu’il est difficile de modéliser des états de déviation de l’équipement ou de décrire l’ensemble de ses déviations possibles. Il permet aussi de catégoriser si la déviation a un impact sur l’état de santé de l’équipement ou sur le traitement de l’élément extérieur qu’a à traiter l’équipement (comme un fluide par exemple), grâce à la catégorisation des variables de fonctionnement.

Claims

REVENDICATIONS
1 . Procédé de détection de déviation de fonctionnement d’au moins un équipement d’une unité de production de fluide, en particulier une unité de production de fluide par séparation des composants de l’air de type « ASU » ou « Air Séparation Unit », le procédé comprenant :
- une étape d’acquisition d’au moins une observation, une observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement ;
- une étape de création d’au moins un vecteur de données de fonctionnement de l’équipement comprenant un horodatage et l'observation précédemment acquise ;
- une étape de classification du vecteur de données comme étant caractéristique d’un fonctionnement normal de l’équipement ou comme ne l’étant pas par le système de détection de déviations implémentant un algorithme d’apprentissage automatique supervisé mono-classe ;
- une étape de détection de déviation par ledit système de détection de déviations si au moins un vecteur de données n’est pas classé dans la classe « fonctionnement normal ».
2. Procédé de détection de déviation selon la revendication 1 caractérisé en ce que :
- il comprend en outre une étape de création d’un vecteur d’état, comprenant l’horodatage du vecteur de données de fonctionnement et les mesures de variables d’état comprises dans le vecteur de données de fonctionnement et/ou d’un vecteur de traitement, comprenant l’horodatage du vecteur de données et les mesures de variables de traitement comprises dans le vecteur de données de fonctionnement par un système de détection de déviations ;
- chacun des vecteurs d’état et de traitement sont classifiés à l’étape de classification ;
- l’algorithme d’apprentissage implémenté par le système de détection de déviation utilise un premier modèle pour classifier le vecteur d’état et un second modèle pour classifier le vecteur de traitement ;
- une déviation est détectée à l’étape de détection de déviation par ledit système de détection de déviations si au moins un des vecteurs d’état et de traitement n’est pas classé dans la classe « fonctionnement normal ».
3. Procédé de détection de déviation selon la revendication 2 caractérisé en ce qu’il comprend en outre:
- une étape d’entraînement de l’algorithme d’apprentissage automatique supervisé mono-classe avec un ensemble de vecteurs de données d’entraînement comprenant au moins un vecteur d’état et au moins un vecteur de traitement pour créer deux modèles :
- un premier modèle permettant de classifier des vecteurs d’état, estimé à partir des vecteurs d’état d’entraînement, chaque vecteur d’état d’entraînement comprenant au moins une mesure d’au moins une variable d’état de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal et
- un second modèle permettant de classifier des vecteurs de traitement, estimé à partir des vecteurs de traitement d’entraînement, chaque vecteur de traitement d’entraînement comprenant au moins une mesure d’au moins une variable de traitement de l’équipement correspondant à un fonctionnement normal et une classe représentative du fonctionnement normal ;
- une étape de test des modèles avec un ensemble de vecteurs de données de test, chaque vecteur de données de test comprenant un horodatage, au moins une mesure d’une variable d’état de l’équipement et au moins une mesure d’une variable de traitement de l’équipement.
4. Procédé de détection de déviation selon l’une quelconque des revendications précédentes caractérisé en ce qu’il comporte en outre une étape de transmission du vecteur de données de fonctionnement au système de détection de déviations.
5. Procédé de détection de déviation selon l’une quelconque des revendications précédentes caractérisé en ce que l’algorithme d’apprentissage supervisé mono classe est de type Machines à Vecteurs de Support mono-classe « One-class Support Vector Machine ».
6. Procédé de détection de déviation selon l’une quelconque des revendications précédentes caractérisé en ce que l’étape de détection de déviation comprend en outre l’envoi d’une notification de déviation à un opérateur après avoir détecté une déviation.
7. Procédé de détection de déviation selon l’une quelconque des revendications précédentes caractérisé en ce que l’étape d’acquisition est réalisée par un capteur choisi parmi les capteurs suivants : capteurs de température, de pression, de fréquence, de vitesse de rotation, de débit, d’intensité, wattmètre, ampèremètre, voltmètre.
8. Procédé de détection de déviation selon l’une quelconque des revendications précédentes caractérisé en ce que les variables d’état sont des variables choisies parmi la température du roulement à billes et/ou les vibrations de l’équipement et les variables de traitement sont des variables choisies parmi les variables de température des fluides en entrée et en sortie de l’équipement et/ou les variables de pression en entrée et en sortie de l’équipement.
9. Système de détection de déviation de fonctionnement d’au moins un équipement mettant en œuvre le procédé selon l’une quelconque des revendications précédentes comprenant :
- un module d’acquisition d’une observation, l’observation comprenant au moins une mesure d’au moins une variable de fonctionnement de l’équipement ;
- un module de création d’un vecteur de données de fonctionnement de l’équipement, ledit vecteur de données de fonctionnement comprenant au moins un horodatage et l’observation précédemment acquise ;
- un module de détection de déviations comprenant :
- un sous-module de classification de chaque vecteur de données de fonctionnement;
- un sous-module d’alerte qui reçoit au moins un vecteur n’ayant pas été classé comme étant caractéristique d’un fonctionnement normal de l’équipement par le sous-module de classification et qui détecte une déviation de l’équipement à partir dudit vecteur reçu;
10. Système de détection de déviation selon la revendication précédente caractérisé en ce que ledit sous-module de classification est configuré pour réaliser l’étape de création de vecteur d’état et de traitement et l’étape de classification selon la revendication 2 ;
1 1 . Système de détection de déviation selon l’une quelconque des revendications 9 et 10 caractérisé en ce que le module d’acquisition est configuré pour acquérir une observation via un capteur, via un équipement de télémétrie, ou via un réseau de communication.
12. Equipement comprenant le système de détection de déviation selon l’une quelconque des revendications 9 à 11.
13. Equipement selon la revendication 12 caractérisé en ce qu’il est un équipement choisi parmi une pompe cryogénique, un compresseur, un échangeur de chaleur.
14. Equipement selon l’une des revendications 12 à 13 caractérisé en ce qu’il est du type compresseur d’air, d’oxygène ou d’azote.
15. Programme d’ordinateur comportant des moyens pour l’exécution des étapes du procédé selon l’une quelconque des revendications 1 à 8 lorsque ledit programme est exécuté sur un ordinateur.
PCT/FR2019/053177 2018-12-20 2019-12-19 Procédé et système de détection de déviation de fonctionnement d'un équipement industriel WO2020128342A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1873558 2018-12-20
FR1873558A FR3090914B1 (fr) 2018-12-20 2018-12-20 Procédé et système de détection de déviation de fonctionnement d’un équipement industriel

Publications (1)

Publication Number Publication Date
WO2020128342A1 true WO2020128342A1 (fr) 2020-06-25

Family

ID=67001889

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2019/053177 WO2020128342A1 (fr) 2018-12-20 2019-12-19 Procédé et système de détection de déviation de fonctionnement d'un équipement industriel

Country Status (2)

Country Link
FR (1) FR3090914B1 (fr)
WO (1) WO2020128342A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050144537A1 (en) * 2003-11-12 2005-06-30 Siemens Corporate Research Inc. Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring
US20120072029A1 (en) * 2010-09-20 2012-03-22 Heatvu Inc. Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
US20120304008A1 (en) 2009-09-17 2012-11-29 Holger Hackstein Supervised fault learning using rule-generated samples for machine condition monitoring
EP3379357A1 (fr) * 2017-03-24 2018-09-26 ABB Schweiz AG Système informatique et procédé de surveillance de l'état de systèmes de processus industriel

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050144537A1 (en) * 2003-11-12 2005-06-30 Siemens Corporate Research Inc. Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring
US20120304008A1 (en) 2009-09-17 2012-11-29 Holger Hackstein Supervised fault learning using rule-generated samples for machine condition monitoring
US20120072029A1 (en) * 2010-09-20 2012-03-22 Heatvu Inc. Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
EP3379357A1 (fr) * 2017-03-24 2018-09-26 ABB Schweiz AG Système informatique et procédé de surveillance de l'état de systèmes de processus industriel

Also Published As

Publication number Publication date
FR3090914B1 (fr) 2021-05-28
FR3090914A1 (fr) 2020-06-26

Similar Documents

Publication Publication Date Title
EP1672444B1 (fr) Procédé de suivi des performances d'un équipement industriel
CN110059325B (zh) 车辆故障预警系统及对应的车辆故障预警方法
US20170178311A1 (en) Machine fault detection based on a combination of sound capture and on spot feedback
US9026304B2 (en) Vehicle maintenance systems and methods
EP2376988B1 (fr) Standardisation de données utilisées pour la surveillance d'un moteur d'aéronef.
EP1242923B1 (fr) Processus de surveillance et de diagnostics de donnees en provenance d'un bien a distance
US20200081054A1 (en) Power line issue diagnostic methods and apparatus using distributed analytics
US20130268241A1 (en) Efficient health management, diagnosis and prognosis of a machine
US20120330499A1 (en) Acoustic diagnostic of fielded turbine engines
US20240112031A1 (en) Vibrating Machine Automated Diagnosis with Supervised Learning
FR2939924A1 (fr) Identification de defaillances dans un moteur d'aeronef
CN110307990B (zh) 一种柴油机机油系统故障的智能诊断方法及系统
FR2920233A1 (fr) Procede et dispositifs d'evaluation de risques operationnels pour l'aide aux decisions de maintenance de vehicules
FR3066844A1 (fr) Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps
CN113982850A (zh) 融合高低频信号的风机综合健康分析方法及系统
WO2022147684A1 (fr) Procédé et appareil d'identification d'anomalies dans un appareil mécanique ou un composant mécanique
CN115343623B (zh) 一种电化学储能电池故障的在线检测方法及装置
CN114244866B (zh) 一种基于物联网的生产设备监管系统
CN113483815A (zh) 一种基于工业大数据的机械故障监控系统
CN117214719A (zh) 一种基于大数据的新能源车辆电池健康评估系统
WO2020128342A1 (fr) Procédé et système de détection de déviation de fonctionnement d'un équipement industriel
De Oliveira-Filho et al. Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation
CN115034614A (zh) 一种基于设备健康度的设备管理方法、装置及设备
CN117764424A (zh) 生产线的检测方法、装置、处理器和电子设备
JP2003295937A (ja) プラント監視装置とプラント監視方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19848877

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19848877

Country of ref document: EP

Kind code of ref document: A1