Predictive models for equipment condition monitoring in real-time and in Industry 4.0 context

Abstract

The industry's pressing need to monitor equipment in real time stands as a crucial aspect today. Swift acquisition, storage, and effective management of the acquired data have become im- perative within a short timeframe. Addressing this need is the primary concern of this dissertation, focusing on data capture and the creation of predictive models capable of identifying potential failures or malfunctions dur- ing operational processes. Moreover, the aim is to validate the system's proper functionality. This process holds immense significance as it enables the assessment of equipment condition for maintenance or replacement needs and preemptively identifies failures through data- driven patterns. To facilitate these methodologies, expertise in neural network-based models is essential, as they facilitate the development of predictive models. Evaluating the performance of various models will guide the identification of the most suitable method for this process. The primary emphasis of this work was on creating multiple models proficient in predicting target signals. The outcomes extracted from these models' training were carefully assessed to determine the most effective model. Upon achieving a satisfactory model, it was deployed for daily forecasting, effectively identifying equipment failures or anomalies. Additionally, a real-time fault detection system was devised. This system operates by compar- ing valve opening and temperature values to swiftly identify faults as they occur.

A necessidade premente da indústria de monitorar equipamentos em tempo real é um aspeto crucial hoje. A rápida aquisição, armazenamento e gerenciamento eficaz dos dados adquiridos tornaram-se imperativos em um curto espaço de tempo. Responder a esta necessidade é a principal preocupação desta dissertação, centrando-se na captura de dados e na criação de modelos preditivos capazes de identificar potenciais falhas ou avarias durante os processos operacionais. Além disso, o objetivo é validar a funcionalidade adequada do sistema. Este processo tem uma enorme importância, pois permite a avaliação das condições dos equipamentos para necessidades de manutenção ou substituição e identi- fica preventivamente falhas através de padrões orientados por dados. Para facilitar essas metodologias, a especialização em modelos baseados em redes neurais é essencial, pois facilitam o desenvolvimento de modelos preditivos. A avaliação do desempenho de vários modelos orientará a identificação do método mais adequado para este processo. A ênfase principal deste trabalho foi na criação de vários modelos proficientes na previsão de sinais alvo. Os resultados extraídos do treinamento desses modelos foram cuidadosamente avaliados para determinar o modelo mais eficaz. Ao alcançar um modelo satisfatório, foi im- plantado para previsão diária, identificando efetivamente falhas ou anomalias nos equipamen- tos. Além disso, foi concebido um sistema de deteção de falhas em tempo real. Este sistema fun- ciona comparando os valores de abertura e temperatura das válvulas para identificar rapida- mente as falhas à medida que ocorrem.