Non-supervised failure prediction in dynamic environments

Abstract

In the era of digital manufacturing and the Internet of Things, predictive maintenance promises increased efficiency, reduced costs, and improved safety by predicting machine failures and guiding experts toward appropriate actions. However, in practice, industrial environments often consist of many complex machines monitored by sensors, each with unique characteristics and operating in a dynamic environment. A dynamic environment refers to changes in the internal or external conditions of a machine that lead to shifts in its behavior. Performing failure prediction and providing actionable guidance in such settings, using available sensory data and in the absence of prior knowledge, requires adaptive solutions that can continuously monitor machine states, issue early warnings, and ideally provide explanations to help experts understand the root causes of failures. Therefore, the three main goals of this thesis are: (i) to develop frameworks for early defect detection, (ii) to design online adaptive solutions that can automatically adjust to changing data conditions, and (iii) to enable context-awareness, with the aim of developing robust solutions for dynamic environments that also offer explainability. This thesis begins by presenting real-world case studies that motivated our research, followed by a discussion of the foundational concepts, definitions, and background related to failure prediction through early defect detection. We then present our contributions with respect to the three axes mentioned above. First, we propose adaptive, auto-configurable solutions for thresholding anomaly scores, distance-based anomaly detection, and online clustering of time series. In particular, for thresholding anomaly scores, we introduce a self-tuning approach and extend two existing dynamic thresholding techniques. For distance-based anomaly detection, we propose a method that is automatically configured and adaptable to streaming data. Regarding online clustering, we present BURST, a framework that renders partition-based clustering methods suitable for evolving time series. Second, we investigate the effects of dynamic environments in two real-world case studies, a cold-forming press and a vehicle fleet, and engineer appropriate solutions for early defect detection. This is preceded by a discussion on suitable evaluation metrics tailored to the early defect detection task. Finally, we introduce context-aware solutions based on two key concepts: wisdom of the crowd and fusion of heterogeneous data sources. In the first case, we propose an ensemble method that combines unsupervised distance-based and conformal anomaly detection techniques, along with the application of a deep learning approach over clustered data, leading to reduced maintenance management costs of a bus fleet. In the second case, we propose TECAD, a framework that enables contextualized decision-making and explainability by modeling context through a data matrix and a causal relationship graph.

Στην εποχή της ψηφιακής βιομηχανίας και του Διαδικτύου των Πραγμάτων, η προγνωστική συντήρηση υπόσχεται αυξημένη αποδοτικότητα, μείωση κόστους και βελτιωμένη ασφάλεια μέσω της πρόβλεψης βλαβών και της καθοδήγησης των ειδικών προς τις κατάλληλες ενέργειες. Ωστόσο, στην πράξη τα βιομηχανικά περιβάλλοντα περιλαμβάνουν σύνθετες μηχανές με διαφορετικά χαρακτηριστικά, οι οποίες παρακολουθούνται από αισθητήρες και λειτουργούν σε δυναμικές συνθήκες, με εξωτερικούς παράγονται που επηρεάζουν τη συμπεριφορά τους. Η πρόβλεψη βλαβών και η παροχή πρακτικής καθοδήγησης σε τέτοια περιβάλλοντα, με βάση διαθέσιμα δεδομένα αισθητήρων και χωρίς προϋπάρχουσα γνώση, απαιτεί προσαρμοστικές λύσεις που μπορούν να παρακολουθούν συνεχώς την κατάσταση των μηχανών, να εκδίδουν έγκαιρες προειδοποιήσεις και ιδανικά να παρέχουν εξηγήσεις ώστε οι ειδικοί να κατανοούν τα αίτια των βλαβών. Βασικοί στόχοι της διατριβής είναι: (i) η ανάπτυξη μεθοδολογιών για την έγκαιρη ανίχνευση ελαττωμάτων, (ii) ο σχεδιασμός προσαρμοστικών λύσεων που προσαρμόζονται αυτόματα σε μεταβαλλόμενα δεδομένα ροής, και (iii) η ενσωμάτωση της επίγνωσης πλαισίου λειτουργείας, με σκοπό την ανάπτυξη ανθεκτικών και επεξηγήσιμων λύσεων για δυναμικά περιβάλλοντα. Αρχικά, παρουσιάζονται μελέτες από τον πραγματικό κόσμο που παρακίνησαν την έρευνα, καθώς και οι βασικές έννοιες, ορισμοί και το θεωρητικό υπόβαθρο για την πρόβλεψη βλαβών μέσω έγκαιρης ανίχνευσης προειδοποιητικών σημαδιών. Έπειτα, αναλύονται οι συνεισφορές της διατριβής στους τρεις παραπάνω άξονες: πρόταση αυτορρυθμιζόμενων και προσαρμοστικών λύσεων για τον καθορισμό κατωφλίων στις ανωμαλίες, για την ανίχνευση ανωμαλιών με βάση αποστάσεις και για ομαδοποίησή χρονοσειρών σε δεδομένα ροής. Ειδικότερα εισάγεται μία αυτορυθμιζόμενη προσέγγιση και επεκτείνονται δύο δυναμικές τεχνικές κατωφλίωσης, προτείνεται μία μέθοδος αυτόματης διαμόρφωσης για ανίχνευση ανωμαλιών σε ροές δεδομένων και παρουσιάζεται η μεθοδολογία BURST που καθιστά τις μεθόδους ομαδοποίησης με βάση κατατμήσεις κατάλληλες για εξελισσόμενες χρονοσειρές. Στη συνέχεια, μελετώνται οι επιπτώσεις του δυναμικού περιβάλλοντος σε δύο πραγματικές περιπτώσεις (πρέσα ψυχρής διαμόρφωσης και στόλος οχημάτων) και αναπτύσσονται κατάλληλες λύσεις για έγκαιρη ανίχνευση ελαττωμάτων, αφού προηγηθεί συζήτηση για δείκτες αξιολόγησης ειδικά σχεδιασμένους για το εν λόγω πρόβλημα. Τέλος, εισάγονται λύσεις με επίγνωση πλαισίου λειτουργίας βασισμένες σε δύο βασικές έννοιες: τη «σοφία του πλήθους» και τη συγχώνευση ετερογενών πηγών δεδομένων. Συγκεκριμένα, προτείνεται μία μέθοδος συνδυασμού ανιχνευτών ανωμαλιών βασισμένων σε αποστάσεις και στη θεωρία της σοφία του πλήθους, καθώς και η εφαρμογή τεχνικής βαθιάς μάθησης σε ομαδοποιημένα δεδομένα που οδηγούν σε μείωση κόστους διαχείρισης συντήρησης στόλου λεωφορείων. Παράλληλα εισάγεται το πλαίσιο TECAD, το οποίο επιτρέπει τη λήψη αποφάσεων με βάση το πλαίσιο λειτουργίας και την επεξηγησιμότητα αποφάσεων, μέσω μοντελοποίησης της διαθέσιμης πληροφορίας με ομοιογενή τρόπο και γράφο αιτιωδών σχέσεων.