Analysing and extending model-free condition monitoring with confidence

Abstract

Monitoring systems can be used to check the condition of a system and determine if it needs maintenance. Due to complexity, many systems do not have models, which are usually required for monitoring. However, it is desirable to monitor them to maintain quality and improve lifetime.It is known that monitoring is possible with simple assumptions and minimal system knowledge, but without a system specific model.These assumptions rely on signal features. Improving feature extraction should make the process in general more reliable. This thesis focuses on feature extraction and interpretation. The signal feature considered here is a jump, and it should be possible to detect a non-instantaneous jump also in presence of a signal drift. The difference between a drift and a non-instantaneous jump is purely system dependent and cannot be defined a priori. Therefore, the number of samples representing the minimum duration of a signal state is defined. Strong changes that take less than half of this duration cause the state to change, which defines a jump.This thesis is based on a part of CCAM. CCAM is a context-aware monitoring system with confidences. It uses these confidences for a local clustering algorithm to define a system state.It was stripped of assumptions that would limit the usability, then analysed and extended upon, based on the analysis. The extensions remove drift in the immediate history of a state, increase the probability that a state is formed, and extract parameters at runtime.Tests have been performed and the removal of the limiting assumptions has significantly improved the behaviour for general signals. The extensions improve this even further. This was to be expected for signals using the noise distribution the extensions and the analysis were based on. However, as soon as more realistic signals are investigated, the performance degrades. This stems from parts of CCAM that are not modified in the scope of this thesis, and it is evident that further improvements are necessary.A test on industry data revealed that the extension for removing the drift inside a states history is insufficient.On the other hand, the runtime parameter extractor performed well even on industrial data, thereby reducing the required parameters to one. This is a first step towards and possibly into self-learning.

Die Überwachung von Prozessen ist ein weites Feld und dient zur Erkennung von Störungen oder der Notwendigkeit von vorbeugender Wartung. Normalerweise wird hierbei ein Modell des Prozesses oder zumindest ein tieferes Verständnis vorausgesetzt. Aufgrund der zunehmenden Komplexität ist eine detaillierte Modellierung jedoch oft schwer oder unmöglich. Es ist jedoch bekannt, dass ein System auch ohne ein Modell überwachbar ist. Hierbei werden Annahmen über das System getroffen und minimale Systeminformationen verwendet. Einer dieser Ansätze basiert auf Feature-Extraction, und die Qualität der Erkennung von charakteristischen Mustern in Prozessdaten hat einen entscheidenden Einfluss auf die Qualität der Prozessüberwachung. Die vorliegende Arbeit baut auf CCAM auf, einem Überwachungssystem welches auf lokalem Clustering basiert. Hierbei werden Confidence Functions verwendet, um einen Wert einem Cluster zuzuordnen. In der vorliegenden Arbeit wird versucht, die Erkennung eines Signal-Sprungs, welcher nicht abrupt sein muss, auch während einer starken Drift auftreten darf und mit Rauschen überlagert ist, zu verbessern. Dazu wurden limitierende Annahmen von CCAM entfernt, um nachfolgend den entsprechenden Teil von CCAM zu analysieren. Diese Analyse ist zweifach, einerseits von einem mathematisch internen Aspekt und andererseits von einem statistischen externen Aspekt. Auf Basis dieser Analyse wurden mögliche Verbesserungen definiert und anhand unterschiedlicher Signaltypen systematisch getestet. Die Erweiterungen von CCAM wurden unter der Annahme von weißem Signalrauschen definiert und funktionieren in diesem Rahmen exzellent. Bei der Anwendung auf Prozesssignale, die der industriellen Realität näher sind, zeigte sich jedoch eine schlechtere Performance. Diese Limitierungen stammen großteils aus Teilbereichen von CCAM, die in der vorliegenden Arbeit nicht modifiziert wurden. Ein Test an einem echten Industriesignal zeigte insbesondere, dass der verwendete Algorithmus zur Entfernung einer lokalen Drift, welcher die Erkennung von Sprüngen erleichtern sollte, noch verbesserungsbedürftig ist. Im Gegensatz dazu hat die Extraktion von Parametern während der Laufzeit für alle getesteten Signale gut funktioniert. Diese Erweiterung ist ein erster Schritt in Richtung selbstlernender Systeme, die für praxisnahe modellfreie Prozessüberwachung von großer Wichtigkeit sind.