Inclusive Methodologies for Anomaly Detection and Prognosis of Industrial Systems based on Behavior Patterns, Smart Indicators and Digital Twin Ecosystems

Abstract

La Industria 4.0 es ya una realidad. Los sistemas industriales que participan en la cadena de valor son cada vez más complejos e implementar estrategias de diagnóstico y pronóstico basadas en datos puede llegar a convertirse en una tarea compleja, costosa e incluso irracional. Simplificar esta tarea de una forma clara, sencilla, intuitiva e inclusiva es el gran objetivo de esta tesis que pretende democratizar el acceso a metodologías de diagnóstico y pronóstico a aquellos que no poseen conocimientos avanzados en analítica de datos.

Las metodologías propuestas no pretenden reemplazar otras técnicas especificamente diseñadas para un sistema en particular, sino proveer de soluciones robustas, sencillas y rápidas a aquellos sectores de la industria que se encuentran en etapas incipientes de una gestión inteligente de activos basada en datos.

Patrones, indicadores o Gemelos Digitales, son algunos conceptos que irán apareciendo a lo largo de esta tesis y que dan nombre a los distintos tipos de conocimiento extraído de datos procedentes de sensores y sistemas SCADA. La escasez de datos agudizada por los rápidos cambios en los modos de operación de los sistemas modernos, fomenta la utilización de técnicas que generen modelos escalables y permitan ser actualizados modularmente.

La utilización de técnicas de aprendizaje no supervisado hace posible la rápida integración de los modelos de diagnóstico y pronóstico propuestos sin necesidad de disponer de un detallado registro de fallos o de una lista exhaustiva con los distintos modos de operación del sistema. Las características utilizadas para definir el comportamiento de un sistema fueron escogidas en base a criterios comunes a cualquier serie temporal que describa el estado de dicho sistema. Esta tesis presenta dos metodologías de detección de anomalías y una metodología de pronóstico. La primera metodología de detección de anomalías está basada en la caracterización de comportamientos a partir de patrones e indicadores inteligentes y que, posteriormente, serán los pilares de la tercera metodología centrada en el pronóstico. La segunda metodología busca complementar la primera metodología de detección de anomalías desde con enfoque completamente nuevo inspirado en el paradigma de los Gemelos Digitales y cómo el analizar las interacciones entre ellos aporta un conocimiento crucial para la detección de anomalías contextuales en sistemas colaborativos.

Cada una de las metodologías propuestas va acompaña de uno o varios casos-estudio que ilustran el proceso de integración de las mismas en un sistema real. Cada uno de estos ejemplos busca el explicar los pasos que han de seguirse a la hora de implementar cada metodología, entender el tipo de conocimiento generado y cómo pueden interpretarse los resultados obtenidos.Industry 4.0 is already a reality. Industrial systems involved in the value chain are more and more complex and implementing data-driven diagnostic and prognostic strategies can become a complex, costly, and even irrational task. Simplifying this task in a clear, simple, intuitive, and inclusive way is the main objective of this thesis, which aims to democratize access to anomaly detection and prognostic methodologies to those who do not have advanced knowledge in data analytics.

The proposed methodologies are not intended to replace custom techniques designed specifically for a particular type of system, but to provide robust, simple, and fast inclusive solutions to those industry sectors that are in incipient stages of intelligent data-driven asset management solutions.

Patterns, Smart Indicators, or Digital Twins, are some of the concepts that will appear throughout this thesis and give names to the different types of knowledge extracted from data coming from sensors and SCADA systems. The scarcity of data, exacerbated by the rapid changes in the operating modes of modern systems, encourages the use of techniques that generate scalable models capable of being updated modularly.

The use of unsupervised learning techniques makes possible the rapid integration of the proposed diagnostic and prognosis models without the need for a detailed fault log or an exhaustive list of the different system operation modes. Features used to define the behavior of a system were chosen based on common characteristics of any time series that describes the state of a system.

This thesis presents two anomaly detection methodologies and a prognosis methodology. The first anomaly detection methodology is based on the characterization of behaviors using patterns and intelligent indicators, which will later be the pillars of the third methodology focused on prognosis.

The second methodology seeks to complement the first anomaly detection methodology using a completely new approach inspired by the Digital Twins paradigm. This methodology focuses on the study of interactions between Digital Twin behaviors to obtain a crucial knowledge for the detection of contextual anomalies in collaborative systems.

Each of the proposed methodologies is supported by one or more case studies that illustrate the integration process into a real system. Each of these examples aims to explain the steps to be followed when implementing each methodology, understand the type of knowledge generated, and how the results obtained can be integrated into a decision-making process.