1. Detección de anomalías y predicción de
vida útil de equipos basada en minería
de datos y modelos probabilísticos
Dr. Marcos Orchard
Departamento de Ingeniería Eléctrica. Universidad de Chile
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
2. CONTENTS
Motivation
Prognostics and Health Management (PHM)
Process Monitoring
Data-driven approaches
Knowledge-based approaches
Analytical approaches
Sequential Monte Carlo Methods: Application to FDI and
Failure Prognosis
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
3. Prognostics and Health Management (PHM)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
4. Automated Contingency Management
Situation
Awareness
Contingency
Diagnosis
PHM ACM
Prognosis
measurement controls
Sensors Actuators
Plant
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
5. Automated Contingency Management
En este sentido, información de diagnóstico y pronóstico de
fallas es fundamental en la implementación de estrategias
ACM.
La información proveniente de módulos de diagnóstico de
fallas de usa para conocer las capacidades inmediatas del
sistema.
La información proveniente de módulos de pronóstico de fallas
se usa para establecer un plan y manejo realista de recursos,
así como para asegurar objetivos de largo plazo.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
6. PHM & Process Monitoring
Process Monitoring:
Fault Diagnosis
Fault Detection and Isolation (FDI)
Fault Identification
Failure Prognosis: Estimation of remaining useful life (RUL)
Process Monitoring is a necessary step for process recovery
(intervention)
Three basic approaches,
Data-driven: principal component analysis (PCA), independent
component analysis (ICA), Fisher discriminant analysis (FDA),
partial least squares (PLS), canonical variate analysis (CVA)
spatial/serial correlations
Analytical: parameter estimation, observers, parity relations
residual generation
Knowledge-based: causal analysis, expert systems, pattern
recognition Fuzzy logic, ANN, self-organizing maps
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
7. PHM & Process Monitoring
Availability of Comparative Data
(useful for classifier training)
Much data
Both methods
from many Data-driven
appropriate and
similar techniques are
may reinforce
situations appropriate
mutually
Unreliable Physics-based
Few health modeling is
Data assessments appropriate
Low High
Reliability Reliability
Reliability of Physics-based model
(typically tied to system simplicity)
Source: Adapted from Inman et al. (2005), p. 6
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
8. Process Monitoring: The Basics
Control Estadístico de Procesos (Clásico)
Se establecen estadísticamente límites máximos y mínimos para
definir un patrón “normal” de operación para una señal.
6
5
4
3
2
1
0
-1
-2
-3
-4
0 100 200 300 400 500 600 700 800 900 1000
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
9. Process Monitoring: The Basics
0.5
Valor Esperado / Media Aritmética: 0.45
0.4
E { X } = ∫ x ⋅ f ( x)dx = µ X
0.35
0.3
σX
0.25
n n
1 1
X = ∑ x(k ) = ∑ x(k )
0.2
0.15
k =1 N N k =1
0.1
0.05
Varianza / Desviacion Estándar: 0
-4 -3 -2 -1 0 1 2 3 4
µX
Var { X } = E { ( X − E { X })
2
} = E { X 2} − E 2 { X }
±σ X → 68.26%
σ X = Var { X }
±2σ X → 95.45%
1 n
ˆ
σX = ∑
N − 1 k =1
( x(k ) − X )2 ±3σ X → 99.73%
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
10. Process Monitoring: The Basics
Mediana: Valor de la variable que deja el mismo número de datos
antes y después que él, una vez ordenados éstos.
T
X = x (1) x ( 2 ) x ( 3) … x ( n − 1) x ( n )
n −1
Si n es impar, entonces median( X ) = x( + 1)
2
1 n n
Si n es par, entonces median( X ) = x( ) + x( + 1)
2 2 2
Media móvil: Considera la información obtenida durante una
ventana de tiempo, medida a partir de un instante de referencia.
Filtro digital pasa-bajos más simple de implementar.
n
1
X m ( n) = ∑M x(k )
M + 1 k =n−
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
11. Data Mining & PCA
Objetivos:
Pressure [psi]
Power [W] • Reducción en el número de variables a analizar
PCA_1
Temperature [°F]
• Evaluar si la operación se enmarca dentro de un
Weight [Kg] PCA_2
determinado patrón estadístico.
Linear Transform
Current [A] PCA_3
(variable reduction) PCA_1= p11 Press + p12 Pow + p13 Temp + p14 Weight + p15 Current + p16 Flow
Flow [L/seg]
Pressure [psi]
…
PCA_2= p21 Press + p22 Pow + p23 Temp + p24 Weight + p25 Current + p26 Flow
PCA_1
PCA_2 PCA_3= p31 Press + p32 Pow + p33 Temp + p34 Weight + p35 Current + p36 Flow
PCA_2
PCA_1
PCA_1
PCA_2
Power [W]
Distancia a
Centro de Elipse
Indice de
Hotelling (T2)
Temperature [°F]
Time
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
12. Data Mining & PCA
2 ( n 2 − 1) 2 ( n 2 − 1)
Semi-eje PCA1 = σ PCA1 ⋅ Fα ( 2, n − 2 ) Semi-eje PCA2 = σ PCA2 ⋅ Fα ( 2, n − 2 )
n ( n − 2) n ( n − 2)
α = 0.05 ⇒ 95% de confianza
2 2
PCA1 PCA2
Ti 2 ( PCA1 , PCA2 ) = + ≤1
Semi-eje PCA Semi-eje PCA
1 2
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
13. Data Mining & PCA
Algunos ejemplos tomados de una planta de flotación, en la que
se analiza el grado de cobre del concentrado (gcc[%]):
100
5
80 4
% of varianc e
60 3
T2
i
40 2
20 1
0 0
1 2 3 4 5 200 400 600 800 1000 1200 1400
Number of Principal Components
5 22
20
g c c [% ]
PC 2
0 18
16
-5 14
-6 -4 -2 0 2 4 6 200 400 600 800 1000 1200 1400
PC 1 Time [min]
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
14. Modelos Dinámicos & Sensores Virtuales
Metodología: Obtener un modelo de un proceso (que incorpore su
fenomenología en algún grado) en base a un conjunto de
variables medidas. x 1
U(t) = [u1(t) u1(t-1) ... u2(t) u2(t-1) ... ur(t) ur(t-1) ... ]T U( t )
Π ( t ) = x 2
x(t) =
Π(t) = [η1(t) η1(t-1) ... η2(t) η2(t-1) ... ηq(t) ηq(t) ... ]T
Yd ( t )
x
Yd(t) = [y(t-1) y(t-2) ... y(t-d)]T q
Use of the dynamic model as soft-
Identification of a dynamic
sensor in the absence of
model for y(t) using controls and
measurement y(t) due to
measured disturbances u(t),
unavailable sensor signal
other plant outputs η(t), and
delayed plant outputs y(t-d)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
15. Partial Least Squares (PLS)
Algoritmo recursivo que permite encontrar las direcciones de
“máxima explicabilidad” que relacionan un grupo de variables de
entrada respecto a un conjunto de variables de salida.
Metodología que facilita la Determinación de Estructuras y
Estimación de parámetros en Modelos Lineales en los Parámetros.
A A
X = ∑t p + Ex (A)T
i i and Y = ∑ticiT + Ey (A)
i =1 i =1
Y = XB , B = [w 1 (
w A ] ⋅ [p1 p A ] ⋅ [w 1
T
)
wA]
−1
⋅ [c1 cA ]
T
Adicionalmente, se permite caracterizar estadísticamente el error
asociado al modelo multivariable (lineal en elos parámetros) →
RMS Error de Predicción.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
16. Partial Least Squares (PLS)
La correlación entre ti y ui = Y ci / (ciT ci) es maximizada.
El Algoritmo Iterativo PLS es (Hodouin et al., 1993):
Step 1: Set i=1
Step 2: Set ui as the first column of Y
Step 3: wiT = uiT X / (uiT ui)
Step 4: wiT = wiT/norm(wi)
Step 5: ti = X wi / (wiT wi)
Step 6: ciT = tiT Y / (tiT ti)
Step 7: ui = Y ci / (ciT ci)
Step 8 : Goto Step 3
Cuando el vector ui converge, se define una dirección de
explicabilidad para el espacio X definido por pi =XT ti / (tiT ti)
Los residuos se calculan como Ex = X – ti piT y Ey = Y– ti ciT.
El algoritmo se repite desde el paso 2, reemplazando las matrices
X e Y por Ex y Ey respectivamente, e incrementando la variable i en
una unidad.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
17. Partial Least Squares (PLS)
Algunos ejemplos tomados de un proceso de obtención de
concentrado de cobre:
* Gentileza CONTAC Ingenieros Ltda. Software “SCAN”
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
18. Partial Least Squares (PLS)
Fsf Lp
Tailings
Grinding
Rougher flotation bank
Plant
g cf
g ff gcc
Csf Concentrate
Ejemplo: Modelo para explicar el grado del concentrado de cobre
gcc[%] en una planta de flotación.
Yd = [gcc(t-1) gcc(t-2) ... gcc(t-dgc)]T
Variable manipulada: nivel de pulpa Lp in the bank.
Perturbaciones medidas: grados de cobre y hierro del concentrado
en la entrada (gcf [%] y gff [%] respectivamente), la tasa de
alimentación de sólidos Fsf [t/min], la concentración de sólidos en
la alimentación Csf [o/1] y el tiempo de residencia τ [min]
U(t) = [Lp(t) Lp(t-2)... Lp(t-dL) gcf(t)... gcf(t-dgc) gff(t)... gff(t-dgf) ...
... Fsf(t)… Fsf(t-dF) Csf(t) ... Csf(t-dC) τ(t) … τ(t-dτ )]T
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
19. Partial Least Squares (PLS)
gcc (t) = 0.498⋅ gcc (t − 2) + 0.217 ⋅ gcf (t) − 0.046⋅ Lp (t) − 0.217 ⋅τ (t − 2) − 0.115⋅ g ff (t) − 0.108⋅ g ff (t − 7)
22
21
[% ]
cc
20
Conc entrate c opper grade g
19
18
17
16
200 400 600 800 1000 1200 1400
Tim e [m in]
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
20. Similarity-based Modeling (SBM)
¿Cómo generar una memoria que sea capaz de
reconocer estados y puntos de operación que ya se
han presentado anteriormente en el proceso?
Evitar el uso de modelos analíticos
No depender la estimación de parámetros
Memorias Asociativas SBM (Generalización)
T T T T
p1 = [1 −1 11 0−1] t1 = [= [10] −1]
1 0 ] t1 1
TT T T
p2 = [1 1 1 −1] t2t2== 0−11] 1]
2 0] [[
T T
pobs = [1 0 0 0] → [1 −1 −1 −1]
T T 0 −2 0 0
W = t1 p1 + t2 p2 = → 2 1
0 2 0 0 W ⋅ pobs = t1 p1T pobs + t2 pT pobs = → = t1
T
−2 0
2
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
21. Similarity-based Modeling (SBM)
SBM:
G Similarity Matrix
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
22. Similarity-based Modeling (SBM)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
23. Similarity-based Modeling (SBM)
PCA & Test de
Hotteling
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
24. Similarity-based Modeling (SBM)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
25. Particle Filtering: FDI and Failure Prognosis
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
26. Particle Filtering: FDI and Failure Prognosis
(i ) (i)
Partícula: Dupla {wt , x0:t } , donde
(i)
es x 0:t una realización de la pdf
de estados de un proceso.
particles
Cada partícula se asocia con un
(i )
escalar wt , denominado peso
• Versión muestreada de la PDF
¡Sólo se necesita estudiar la
propagación de las partículas en
el tiempo!
Pasos:
observación • Predecir la PDF “a priori”, usando
el modelo
valor del estado • Actualizar parámetros, dada la
nueva medición
t-1 t t+1
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
27. Particle Filtering: FDI and Failure Prognosis
fb, ft y ht son funciones no-lineales.
xd(t) es un conjunto de estados Booleanos (condiciones de
operación).
xc(t) es un conjunto de estados continuos.
n(t) es ruido blanco uniforme i.i.d.
ω(t), v(t) son p.e. con pdf no-Gaussiana.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
28. Particle Filtering: FDI and Failure Prognosis
Loading Profile
Diagnosis Block
Diagnosis Results:
Feature – Crack Length
Mapping
Structure for Fault
Progression Model
(FASTRAN / Paris’ Equation
/ ANSYS / Mc Fadden)
dL
= f ( L,N, θ )
dN
Baseline Data
Especificaciones
Error Tipo I = 5% (diseño)
Error Tipo II = 5% (deseado)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
29. Particle Filtering: FDI and Failure Prognosis
Type I Error (False Positives) fixed at 5%
Design parameter
Type II Error (False Negatives)
1 − ∑ wTi ) such that xc( i ) (T ) ≥ z1−α , µ ,σ 2
(
i
Estimated Probability of Fault Condition = E xd ,2 { }
Fisher’s Discriminant Ratio
N 2
µ − ∑ wTi ) ⋅ xc(i ) (T )
(
i =1
Findex (T ) = 2
N (i ) N
σ + ∑ wT ⋅ xc (T ) − ∑ wT j ) ⋅ xc( j ) (T )
2 (i ) (
i =1 j =1
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
30. Particle Filtering: FDI and Failure Prognosis
Error Tipo I (Falsos Positivos) fijo en 5%
Parámetro de Diseño
Error Tipo II (Falsos Negativos) es calculado con la
ayuda del estimador basado en Filtros de Partículas.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
31. Particle Filtering: FDI and Failure Prognosis
Detection Results: Type I Error = 5%
Noisy Crack PF Detection Routine: GAG =245
PF Detection Routine: GAG=110
PF Detection Routine: GAG=25
=220
=205
=170
=145
=115
=90
=1
Length 4.5
Estimate
4
Filtered 3.5
Crack
Length 3
50 100 150 200 250
Estimate
Probability of Failure
Threshold 1
Probability 0.5
of Fault
0
50 100 150 200 250
-3
-3 Type II Error = 5%. Type II Error =97.1409%
Type Error = = 5%. Type II Error =100%
Type I Error 5%. Type II Error=90.9326%
=10.4032%
=26.6632%
=51.9281%
=1.6284%
=3.4506%
=99.411%
x 10
5
4 Crack
3
Length pdf
Baseline
pdf
2
1
0
2.5 3 3.5 4 4.5
Fisher Discriminant Ratio =4.1877e-005
Fisher Discriminant Ratio =0.00051884
Fisher Discriminant Ratio =0.004204
Fisher Discriminant Ratio =13.9463
Fisher Discriminant Ratio=11.4857
=0.31265
=8.8349
=5.1617
=4.3926
=0.6798
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
32. Particle Filtering: FDI and Failure Prognosis
• Failure Prognosis Estimar la Vida Útil Remanente (RUL)
de un componente/subsistema fallido.
Generación de Predicciones de Largo
Plazo
Predicciones a p-pasos para un indicador de fallas.
Predicción inherentemente presenta alta incertidumbre.
Predicted Trajectory
Predicted State pdf @ t+k Predicted Conditional pdf (noise model)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
33. Particle Filtering: FDI and Failure Prognosis
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
34. Particle Filtering: FDI and Failure Prognosis
Pr {Failure / X ≤ x }
{
wttfi ) ≡ Pr X = xttf)
( (i
}
N
pTTF (ttf ) = ∑Pr Failure | X = xttfi) , Hlb , Hup ⋅ wttfi)
ˆ ( ˆ( ) (
i=1
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
35. Particle Filtering: FDI and Failure Prognosis
L(t + 1) = L(t ) + C ⋅ α (t ) ⋅ ( ∆K
m
inboard (t ) ) + ( ∆K outboard (t ) )
m
{
+ ω1 (t ) }
α (t + 1) = α (t ) + ω (t )
2
∆K inboard (t ) = finboard ( Load(t ), L(t ) )
∆K outboard (t ) = f outboard ( Load(t ), L(t ) )
Feature(t ) = h( L(t )) + v(t )
Loading Profile
Pretest mapping of
Feature: AHR Feature Crack Length
4
20%
40%
3.5
93 / 100%
3
Feature V alue
2.5
2
1.5 2” crack
@ GAG #36
1
0.5
0 100 200 300 400 500 600 700 800 900 1000
GAG cycle number
Updated mapping of
Feature Crack Length
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
36. Particle Filtering: FDI and Failure Prognosis
Diagnosis Results: Diagnosis Results:
Loading Profile Feature – Crack Length Vibration-based
Mapping energy ratio
1.6 Feature
1.4
Outer
Mission Profile Loop
1.2
1
0.8
0.6
0.4
0.2
0 200 400 600 800 1000 1200
Inner
Evolution in Time of Model Parameter
Loop 1.4
Outer Feedback Loop
Model Parameter PROGNOSIS MODULE
1.2
Update
Structure for Crack
Progression Model
(FASTRAN / Paris’ Equation Prognosis Block 1
L ( t + 1) = L ( t ) + C ⋅ α (t ) ⋅ ( ∆ K
/ ANSYS / Mc Fadden)
{ m
inboard ( t ) ) + ( ∆ K outboard ( t ) )
m
}
+ ω1 ( t )
dL α (t + 1) = α (t ) + ω ( t )
0.8
= f (L,N, θ ) 2
dN ∆ K inboard ( t ) = f inboard ( Load( t ), L (t ) )
0.6
∆ K outboard (t ) = f outboard ( Load(t ), L (t ) )
Feature(t ) = h ( L ( t )) + v ( t )
0.4
0.2
0
0 50 100 150 200 250 300 350 400
Number of GAG cycles
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
37. Particle Filtering: FDI and Failure Prognosis
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
38. Particle Filtering: FDI and Failure Prognosis
Hazard Zone
Online Feature Data Particle Filters: Non-Linear System State Estimation
6
5
Fault Dimension
4
3
2 95% Confidence
1
Interval
0
0 100 200 300 400 500 600 700 800 900 1000
Time [cycles] Failure Data
Online PF Estimate (known post-test)
Probability Density Function of TTF [cycles]
0.025
Prediction Window
0.02
Probability Density
0.015
0.01
0.005
0
0 100 200 300 400 500 600 700 800 900 1000
Time [cycles]
Online PF-based
Estimate of RUL pdf
RUL Expectation
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
39. Particle Filtering: FDI and Failure Prognosis
Crack Length estimation, given
Feature data
Filtered Crack Length Estimation (PF)
Threshold
Normalized TTF pdf for
crack length of 6.0”
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
40. Particle Filtering: FDI and Failure Prognosis
Results for Outer Correction Loops in Case study
(several runs of the algorithm, given the stochastic nature
of the filtering algorithm)
Outer Correction Loop that modifies only the variance of model
hyper-parameters:
Mean of ToF Expectation = 540 cycles (ground truth = 650 cycles)
Mean of 95% CI Lower Limit = 503 cycles
Mean of 95% CI Upper Limit = 573 cycles
Outer Correction Loop that modifies only the expectation and
variance of hyper-parameters:
Mean of ToF Expectation = 645 cycles (ground truth = 650 cycles)
Mean of 95% CI Lower Limit = 608 cycles
Mean of 95% CI Upper Limit = 681 cycles
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
41. PF-based Prognostics / CBM / PHM
Fault detected
Fault confirmed
Diagnostics
Early fault
symptoms Fault mitigation
failed
Failure
Nominal Fault-tolerant
Prevention
Mode Mode
Mode
False alarm System partially
cleared recovered
Fault mitigated
Prognostics
System recovered
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
42. Battery Degradation / Battery Prognostics
Voltage Voltage
13 12.6
12.5 12.5
12 12.4
Voltage (V)
Voltage (V)
11.5 12.3
11 12.2
10.5 12.1
10 12
9.5 11.9
0 10 20 30 40 50 60 70 30 31 32 33 34 35 36
Time (min) Time (min)
Current Current
9 7
8 6.5
6
7
5.5
6
5
Current (A)
Current (A)
5
4.5
4
4
3
3.5
2
3
1 2.5
0 2
0 10 20 30 40 50 60 70 30 31 32 33 34 35 36
Time (min) Time (min)
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
43. Battery Degradation / Battery Prognostics
B0006 Battery Discharge Model Fit
2 4
Model Fit
Real Data
3.5
Terminal Voltage (Volts)
1.8 3
2.5
2
1.6
1.5
0 50 100 150 200 250 300 350 400
Ahr
Sample Index
1.4
1.2
1
0 100 200 300 400 500 600 700
Cycle Index
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
44. Battery Degradation / Battery Prognostics
System
Sensors
Raw Data
Feature Extraction/ Failure
Direct Measurement Threshold
Parameter Identification Long-term
Prediction
System Prior Particle Posterior Tuned
Model p(xk|xk-1) Filter p(xk|xk-1zk) System Model
Measurement
zk Identified Model
State Tracking Loop Prediction Loop
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
45. Battery Degradation / Battery Prognostics
Particle Filters: Non-Linear System State Estimation
2.5
2
apacity [A-hr]
1.5
Battery C
1
0.5
0
0 20 40 60 80 100 120 140 160 180 200
Normalized EOL Density Function [cycles]
1
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180 200
Time [cycles]
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
46. Applications in Finance
* Tobar, F., “Inferencia de la Volatilidad de Retornos Financieros Usando Filtro de Partículas,”
Tesis de Magíster en Ciencias de la Ingeniería, Universidad de Chile, Santiago, Chile, 2010.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile
47. Conclusiones
Importancia del concepto de Control Reconfigurable y el Manejo
de Operación en Presencia de Anomalías (ACM) con el fin de reducir el
impacto que condiciones de falla pudiesen ocasionar en el
desempeño del proceso productivo.
Disponibilidad de herramientas estadísticas y/o analíticas que
permiten obtener “información” a partir de datos de planta.
El concepto de “estimador de funciones de probabilidad del
estado” que permite caracterizar la operación de un proceso,
generando indicadores de confianza que facilitan la toma de
decisiones a alto nivel.
El concepto de “pronóstico de eventos catastróficos”, su relación
con el tema de predicciones de largo plazo y el manejo de
incertidumbre asociado a distintas condiciones de operación.
La integración de todas las técnicas mencionadas anteriormente
con el fin de apoyar eficientemente el mejor uso de recursos
disponibles.
X Encuentro de Gestión de Activos Físicos Centro de Minería
Laboratorio de Gestión de Activos UC Campus San Joaquín, Santiago, 17 de Junio de 2011 Pontificia Universidad
www.gestiondeactivos.uc.cl www.egaf.cl Católica de Chile