Prognóstico de falhas baseado em redes neurais com estados de eco

Tese (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2015.

A rapidez e precisão do prognóstico de falhas pode reduzir os custos de manutenção e diminuir a probabilidade de acidentes. Uma das abordagens de prognóstico é baseada em dados históricos coletados de sensores que monitoram as condições de operação de máquinas. A maioria de métodos de prognóstico baseados em dados utilizam Redes Neurais Artificiais (RNA), e entre eles, as Redes Neurais Recorrentes (RNR) constituem uma importante ferramenta para lidar com problemas de natureza dinâmica, devido aos laços de realimentação entre suas camadas. A rede com estados de eco (ESN – Echo State Networks) é um tipo de RNR que se caracteriza por possuir um reservatório de dinâmicas gerado aleatoriamente, apenas são treinados os pesos da camada de saída. No entanto, é necessário ajustar os parâmetros e a topologia para gerar uma ESN idônea para uma determinada aplicação. Neste trabalho, é desenvolvida uma abordagem para prognóstico chamada ESNABC, um sistema híbrido baseado em ESN e o algoritmo de colônia de abelhas artificiais (ABC – Artificial Bee Colony). O algoritmo ABC através da minimização da função de aptidão, busca simultaneamente os melhores valores dos parâmetros e pesos do reservatório da ESN. A ESN com os parâmetros definidos e os pesos treinados é utilizada para estimar a vida útil remanescente (RUL – Remaining Useful Life). Um estudo de caso foi implementado para verificar o método desenvolvido aplicado ao prognóstico de RUL, utilizando um conjunto de dados de sinais multivariáveis coletados a partir de um processo de simulação dinâmica de turbinas turbofan, disponível no repositório da NASA. Os resultados obtidos pela abordagem ESN-ABC são comparados com os obtidos pela ESN clássica e por outros autores que utilizaram o mesmo conjunto de dados. A comparação quantitativa através de métricas de prognóstico mostraram que a abordagem desenvolvida tem um melhor desempenho no prognóstico de RUL neste caso particular. ___________________________________________________________________________________ RESUMEN

La rapidez y precisión del pronóstico de fallas puede reducir los costos de mantenimiento y disminuir la probabilidad de accidentes. Uno de los enfoques de pronóstico es basado en datos históricos colectados de sensores que monitorean las condiciones de operación de máquinas. La mayoría de los métodos de pronóstico basados en datos utilizan Redes Neuronales Artificiales (RNA), y entre ellos, las Redes Neuronales Recurrentes (RNR) constituyen una importante herramienta para tratar con problemas de naturaleza dinámica, debido a los lazos de realimentación entre sus camadas. La red con estados de eco (ESN – Echo State Networks) es un tipo de RNR que se caracteriza por poseer un reservatorio de dinámicas generado aleatoriamente, apenas son entrenados los pesos de la camada de salida. Sin embargo, es necesario ajustar los parámetros y la topología para generar una ESN idónea para una determinada aplicación. En este trabajo, es desarrollado un enfoque para pronóstico llamado ESN-ABC, un sistema híbrido basado en ESN y el algoritmo de colonia de abejas artificiales (ABC – Artificial Bee Colony). El algoritmo ABC a través de la minimización de la función de aptitud, busca simultáneamente los mejores valores de los parámetros y pesos del reservatorio de la ESN. La ESN con los parámetros definidos y los pesos entrenados es utilizada para estimar la vida útil remaneciente (RUL – Remaining Useful Life). Un estudio de caso fue implementado para verificar el método desarrollado aplicado al pronóstico de RUL, utilizando un conjunto de datos de señales multi-variables colectados a partir de un proceso de simulación dinámica de turbinas turbofan, disponible en el repositorio de la NASA. Los resultados obtenidos por el enfoque ESN-ABC son comparados con los obtenidos por la ESN clásica y por otros autores que utilizaron el mismo conjunto de datos. La comparación cuantitativa a través de métricas de pronóstico demostró que el enfoque desarrollado tiene un mejor desempeño en pronóstico de RUL en este caso particular. ___________________________________________________________________________________ ABSTRACT

Quick and precise prognostic of failures can reduce maintenance costs and decrease accidents probabilities. One of prognostic approaches is based on historical data collected from sensors that monitor operating conditions of machines. Most prognostic methods based on data use Artificial Neural Networks (ANN), and among them, the Recurrent Neural Networks (RNN) are an important tool for dealing with dynamic nature problems, due to feedback loops between their layers. The Echo State Networks (ESN) is a type of RNN characterized by having a dynamic reservoir randomly generated, and only are trained the weights of the output layers. However, it is necessary to adjust the parameters and the topology to generate a suitable ESN for a particular application. In this work an approach of prognostic called ESN-ABC is developed as a hybrid system based on ESN algorithm and Artificial Bee Colony (ABC). The ABC algorithm through minimizing the fitness function, searches simultaneously the best parameter values and weights of the ESN’s reservoir. The ESN with defined parameters and trained weights is used to estimate a Remaining Useful Life (RUL). A case study was implemented to verify the developed method applied to the RUL prognostic, using a dataset of multivariate signals collected from a dynamic simulation process of turbofan engines, available in the repository of the NASA. The results obtained by the ESN-ABC approach are compared with the obtained by classical ESN and other authors who used the same dataset. The quantitative comparison through prognostic metrics showed that the approach developed has better prognostic performance RUL in this particular case.