Incipient anomaly detection and estimation for complex system health monitoring

par Xiaoxia Zhang

Projet de thèse en Traitement du signal et des images

Sous la direction de Claude Delpha.

Thèses en préparation à Paris Saclay , dans le cadre de Sciences et Technologies de l'Information et de la Communication , en partenariat avec L2S - Laboratoire des signaux et systèmes (laboratoire) , Signaux (equipe de recherche) et de CentraleSupélec (établissement de préparation de la thèse) depuis le 17-10-2017 .


  • Résumé

    Les trois dernières décennies ont montré une demande accrue pour améliorer l'économie et la sécurité des processus. La surveillance de la santé des processus a été largement développée avec des études sur la détection et le diagnostic des fautes. Dans une grande variété d'applications industrielles et embarquées, la détection et le diagnostic des défauts sont considérés comme essentiels pour garantir un niveau de performance élevé de l'installation afin de réduire les pertes économiques et d'améliorer la sécurité du système [1, 2, 3]. Il a été reconnu que les techniques basées sur des statistiques ont de nombreux avantages intéressants à traiter de grands ensembles variables rencontrés dans des systèmes industriels complexes. Parmi les diverses techniques basées sur des statistiques, les méthodes basées sur la projection multivariée sont les plus populaires [4]. L'analyse en composantes principales (ACP) est l'une des méthodes les plus souvent utilisées pour la surveillance de la santé des systèmes industriels à base de données multivariées [5, 6, 7]. Son intérêt principal est la capacité de réduire l'espace dimensionnel des données en essayant de garder les informations de variance maximum disponibles. À des fins de détection de pannes, des critères basés sur des statistiques dans le cadre de la PCA ont été utilisés avec succès. Par exemple, les techniques T2, Q-statistics et f-divergences ont montré leur efficacité [6,7]. En comparant ces techniques, J. Harmouche et al [6,7] ont montré que la stratégie de surveillance avec Kullback Leibler Divergences (KLD) utilisant PCA est conceptuellement plus simple et plus sensible pour la détection des failles de très faible gravité, à savoir les failles naissantes . Dans notre travail récent [9, 10, 11], une approche unidimensionnelle basée sur PCA-KLD a été utilisée pour détecter les failles naissantes. Il a été souligné que le seuil de détection de défaut et les performances définies par les probabilités de détection manquée (PMD) et les fausses alarmes (PFA) sont fortement liés au rapport Fault to Noise (FNR). De plus, les performances de détection de failles débutantes peuvent être dégradées par l'erreur de projection et les variables non corrélées qui peuvent être générées en utilisant PCA. Pour faire face à ce problème, dans le cas particulier d'un défaut naissant avec des paramètres nuisibles (bruit) et augmenter la limite de détection de défaut, d'autres approches sont nécessaires par exemple sans utiliser le framework PCA. De plus, notre travail qui est maintenant principalement focalisé sur la détection de fautes de gain pourrait être élargi avec d'autres modélisations de type d'erreur et ensuite dédié aux approches de pronostic. Le travail proposé ici consistera à développer une méthodologie et des outils de suivi de systèmes complexes. L'idée principale est de combiner judicieusement des modèles physiques (analytiques et / ou numériques) et des modèles pilotés par les données issues du traitement du signal et de l'analyse statistique (méthodes d'analyse et / ou de reconnaissance des formes). Le travail est divisé en plusieurs étapes: 1. Revue de la littérature sur les méthodes existantes dans le domaine temporel et / ou la fréquence de représentation, de classification et de discrimination, 2. Analyse des méthodes de diagnostic en utilisant des approches basées sur des modèles, 3. Analyse et conception de modèles de représentation couplés à des modèles physiques 4. Développement d'une méthodologie pour la détection et l'estimation des défauts dans le diagnostic et le pronostic 5. Application de la méthodologie pour les systèmes électromagnétiques.

  • Titre traduit

    Incipient anomaly detection and estimation for complex system health monitoring


  • Résumé

    The last three decades have shown an increased demand for improving the economy and safety of processes. Health monitoring of processes has been widely developed with studies on fault detection and diagnosis. In a wide variety of industrial and on-board applications, the detection and diagnosis of faults are considered essential to ensure high performance level of the plant operation to reduce economic losses and enhance the system security [1, 2, 3]. It has been recognized that statistical-based techniques have many attractive advantages in dealing with large variable sets encountered in complex industrial systems. Among various statistical-based techniques, multivariate projection-based methods are the most popular ones [4]. Principal Component Analysis (PCA) is one of the most often used for multivariate data-driven-based industrial systems health monitoring [5, 6, 7]. Its main interest is the ability to reduce the data dimensional-space by trying to keep the maximum variance information available. For fault detection purpose, statistical-based criteria in PCA framework have been successfully used. For example T2, Q-statistics, and f-divergences techniques have shown their efficiency [6,7]. Comparing those techniques, J. Harmouche et al [6,7], have shown that the monitoring strategy with Kullback Leibler Divergences (KLD) using PCA is conceptually more straightforward and also more sensitive for the detection of faults with very low severities namely incipient faults. In our recent work [9,10,11], a PCA-KLD univariate-based approach have been used to detect incipient faults. It has been highlighted that the fault detection threshold, and the performances defined by the Missed Detection Probabilities (PMD) and False Alarm Probabilities (PFA) are strongly related to the Fault to Noise Ratio (FNR). Moreover, the incipient fault detections performances can be degraded by the projection error and the uncorrelated variables that can be yield using PCA. To cope with this problem, in the particular case of incipient fault with nuisance parameters (noise) and increase the fault detection limit, other approaches are necessary for example without using the PCA framework. Moreover our work which is now mainly focused on gain fault detection could be enlarged with other error type modelling and then dedicated to prognosis approaches. The work proposed here will be to develop a methodology and tools for monitoring complex systems. The main idea is to judiciously combine physical models (analytical and / or numerical) and data driven models issued from signal processing and statistical analysis (methods of data analysis and / or pattern recognition particular core approaches, estimation and detection theory). The work is divided into several stages: 1. Literature review on existing methods in the time domain and / or frequency of representation, classification and discrimination, 2. Analysis of diagnosis methods using model-based approaches, 3. Analysis and design models of representation coupled with physical models 4. Development of a methodology for Fault detection and estimation in diagnosis and prognosis 5. Application of the methodology for electromagnetics systems.