A carregar...
Publicação
STATISTICAL LEARNING: ANOMALY MANIPULATION IN A LUBRICATION SYSTEM
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.91 MB | Adobe PDF |
Orientador(es)
Resumo(s)
The present thesis outlines the work done during an internship at GALP within the
Product Quality & Technical Assistance Department, whose accountable for the quality
of the products sold (among others), namely lubricants.
A lubricant is typically a fluid substance introduced into mechanical equipment. It
is essential in a machine’s proper functioning, so much so that there is an impending
danger of machinery failure and unreliability when in the presence of lubricant failure.
As a result, oil analysis (In-Service Lubricant Monitoring variant) surges as a solution to
manage failure avoidance.
Sampling is the starting point of oil analysis, allowing the measurement of elements
incorporated in the lubricant (e.g., Iron content). Each sample has a qualitative output
indicative of the Lubricant State Condition: “Normal”, “Warning”, or “Danger”. Ideally,
all monitored variableswould have results within a normal range of parameters (“Normal”
diagnosis), which does not always occur. Therefore, this study aims to develop machine
learning models (regression and classification) to predict future maintenance operations.
Multiple Linear Regression focuses on two steps: (1) anomaly detection and (2) reduction
in the lubrication system. By adopting a method proposed by GALP MODe, the
purpose is to find a single input instance of the lubricant elements’ content to minimize
the overall number of anomalies.
Decision Trees concentrate on anomaly avoidance. Three pruning methods serve as a
way to outperform the overgrown tree, with the final intent to uncover the decision paths
that lead to a “Normal” condition and, hence, bypass machine failure.
At last, the results show that despite all models performing relatively well, some
issues arise: class imbalance and few samples present in the dataset.
A presente tese pretende expor o trabalho efetuado durante um estágio na GALP. Particularmente, no Departamento de Qualidade de Produto e Assistência Técnica, responsável pela qualidade dos produtos comercializados, como sejam os lubrificantes. Um lubrificante é uma substância tipicamente fluida introduzida em equipamentos mecânicos. Numa máquina, é notável por desempenhar um papel-chave para o seu bom funcionamento, de tal modo que na ocorrência de falhas no sistema de lubrificação, a fiabilidade e o funcionamento do equipamento ficam imediatamente comprometidos. Por isso, a análise do óleo (variante de Monitorização de Lubrificantes em Serviço) surge como uma solução para controlar este problema. A amostragem é o ponto de partida da análise do óleo, permitindo a medição dos elementos incorporados no lubrificante (por exemplo, teor em Ferro). Cada amostra é rotulada com uma etiqueta indicativa da Condição do Estado do Lubrificante: “Normal”, “Vigiar” ou “Perigo”. Idealmente, todas as variáveis analisadas teriam resultados dentro de um intervalo normal de parâmetros (diagnóstico “Normal”), o que nem sempre ocorre. Assim, este estudo procura desenvolver modelos de Machine Learning (regressão e classificação) a fim de prever futuras operações de manutenção. A Regressão LinearMúltipla concentra-se em duas etapas: (1) deteção e (2) redução de anomalias no sistema de lubrificação. Ao adotar um método proposto pela GALP MODe, o objetivo é encontrar uma única instância representativa do conteúdo do lubrificante para minimizar a frequência de anomalias. As Árvores de Decisão focam-se na prevenção de anomalias. Com a intenção final de descobrir os caminhos de decisão que levam a uma condição “Normal” e, portanto, evitam a falha da máquina, três métodos de Pruning são estudados. Por fim, os resultados mostram a presença de alguns problemas, apesar de todos os modelos terem um desempenho relativamente bom: distribuição desproporcional de amostras entre classes e datasets de tamanho reduzido.
A presente tese pretende expor o trabalho efetuado durante um estágio na GALP. Particularmente, no Departamento de Qualidade de Produto e Assistência Técnica, responsável pela qualidade dos produtos comercializados, como sejam os lubrificantes. Um lubrificante é uma substância tipicamente fluida introduzida em equipamentos mecânicos. Numa máquina, é notável por desempenhar um papel-chave para o seu bom funcionamento, de tal modo que na ocorrência de falhas no sistema de lubrificação, a fiabilidade e o funcionamento do equipamento ficam imediatamente comprometidos. Por isso, a análise do óleo (variante de Monitorização de Lubrificantes em Serviço) surge como uma solução para controlar este problema. A amostragem é o ponto de partida da análise do óleo, permitindo a medição dos elementos incorporados no lubrificante (por exemplo, teor em Ferro). Cada amostra é rotulada com uma etiqueta indicativa da Condição do Estado do Lubrificante: “Normal”, “Vigiar” ou “Perigo”. Idealmente, todas as variáveis analisadas teriam resultados dentro de um intervalo normal de parâmetros (diagnóstico “Normal”), o que nem sempre ocorre. Assim, este estudo procura desenvolver modelos de Machine Learning (regressão e classificação) a fim de prever futuras operações de manutenção. A Regressão LinearMúltipla concentra-se em duas etapas: (1) deteção e (2) redução de anomalias no sistema de lubrificação. Ao adotar um método proposto pela GALP MODe, o objetivo é encontrar uma única instância representativa do conteúdo do lubrificante para minimizar a frequência de anomalias. As Árvores de Decisão focam-se na prevenção de anomalias. Com a intenção final de descobrir os caminhos de decisão que levam a uma condição “Normal” e, portanto, evitam a falha da máquina, três métodos de Pruning são estudados. Por fim, os resultados mostram a presença de alguns problemas, apesar de todos os modelos terem um desempenho relativamente bom: distribuição desproporcional de amostras entre classes e datasets de tamanho reduzido.
Descrição
Palavras-chave
Lubricant Anomaly Linear Multiple Regression Decision Trees Pruning