A Hybrid Failure Diagnosis and Prediction Framework for Large Industrial Plants

다국어 초록 (Multilingual Abstract)

Modern industrial plants contain large number of facilities interacting with thousands of sensors and control. A single failure in a facility can produce inconsistent outcomes, which can be affected to core part of industrial plant, and it becomes a critical industrial disaster. Therefore, it is crucial to find and apply the best solution for maintaining facilities and preventing industrial disasters. The early-stage solution was the regular maintenance but this approach cannot be a perfect solution to prevent most industrial disasters. This is because regular maintenance is not effective for all but only few facilities, and is spent too much time and cost to afford. The recent trend of industrial plant maintenance focuses on two main factors, alarms and human expertise.

The system collects the status of different types of facilities from the sensors, which are attached, on each facility. If there is any specific symptom detected from sensors, the alarm will be ringed. The collected alarm data are sent to the human experts in the real time. The human experts have experienced various types of industrial disasters so they have sufficient knowledge in diagnosing and treating failures.

In this dissertation, I studied how to use alarm data and expert knowledge together with these characteristics. In this study, I constructed knowledge using failure reports reflecting alarm data, expert knowledge, which are significant knowledge resources of the industrial field and proposed a method to continuously manage and use such knowledge.

This dissertation can be divided mainly into three parts of subjects of researches.

In the first study, I propose a hybrid knowledge engineering method based on machine learning- expert knowledge, which enables machine learning and domain experts to generate and update knowledge together.

First of all, after constructing a knowledge base by applying real-time alarm data and machine learning, the expert can directly update the knowledge continuously, thereby enabling knowledge creation and management in a fast and efficient manner.

After constructing a knowledge base by applying real-time alarm data and machine learning, the expert can directly update the knowledge continuously, thereby enabling knowledge creation and management in a fast and efficient manner.

Second, I propose a methodology for constructing causal knowledge as overall conditions and treatment actions for failure. Failure report includes the cause-and-effect relationship and its order of occurrence. The proposed methodology analyzes the failure reports written by domain experts using natural language processing techniques and helps to organize the cause-effect and treatments for the failures into a network form.

Finally, the knowledge constructed by the hybrid knowledge engineering method and the causal failure knowledge are fused and applied to the fault diagnosis and prediction.

As a result of the performance analysis, the proposed framework is superior to the other methodologies regarding failure diagnosis and prediction. The proposed decision support method in this dissertation can evolve the two types of knowledge required in the field gradually. Thus it was able to solve the knowledge management difficulties, and using the two knowledge together complementarily; knowledge management efficiency has been achieved. Moreover, it showed superior performance compared to existing methods based on data.

국문 초록 (Abstract)

현대 산업시설은 수많은 센서 및 제어장치와 연동되는 설비들로 이루어져있다. 설비에서 하나의 작은 고장이라도 발생할 경우 예측 불가능한 결과를 가져올 수 있다. 사소한 문제가 산업시설의 핵심부에 영향을 미칠 수 있으며, 중대한 산업재해를 유발하는 원인이 될 수 있다. 그러므로, 설비를 관리하고 산업 재해를 방지하기 위한 최적의 해결책을 발견하고 적용하는 것이 중요하다. 초기단계의 해결책은 설비에 대한 정기적인 유지보수이지만 이 방법은 대부분의 산업재해를 방지하기 위한 최선의 방법이 아니었다. 그 이유는 정기적인 유지보수가 특정 경우를 제외하면 전체 설비에 효과적이지 않을 뿐만 아니라, 사람의 개입이 필요하여 많은 시간과 노력이 투자되어야 하기 때문이다. 최근, 산업시설 유지보수의 트렌드는 알람데이터와 전문가 지식이라는 두가지 요소에 중점을 둔 자동화 시스템 활용에 있다.

이러한 시스템은 각 설비에 부착된 다양한 센서로부터 해당 설비의 여러 상태를 파악한다. 만일 센서로부터 특정 증상이 발견될 경우, 센서가 알람을 발생시킨다. 이를 통해, 수집된 알람데이터는 즉각적으로 전문가에게 전달된다. 전문가는 산업현장에서 다양한 경험을 가지고 있으며, 축적된 경험지식에 기반하여 고장을 진단하고 조치한다.

본 연구에서는 어떻게 알람데이터와 전문가 경험지식을 함께 이용할 수 있는지에 대해서 다룬다. 연구에서 산업현장에서 중요한 지식 자원인 전문가 지식으로 작성된 고장보고서와 이와 관련된 알람데이터를 이용하여 지식을 구축하였다. 또한, 이러한 지식을 지속적으로 관리하고 이용하는 방법에 대해서 연구를 수행하였다.

본 연구는 세 가지 주제로 나눌 수 있다.

첫째, 실시간 알람데이터를 기계학습에 적용하여 지식베이스를 구축한 후 전문가가 지식베이스를 지속적으로 직접 업데이트할 수 있도록 하여, 지식 생성 및 관리를 빠르고 효율적으로 수행 할 수 있도록 한다.

둘째, 고장에 대한 전반적인 발생조건과 조치과정에 대한 인과관계지식을 구축하는 방법을 제안하였다. 고장보고서는 고장 발생에 대한 인과관계와 그 발생 순서가 포함된다. 제안된 방법은 자연어 처리 기술을 사용하여 도메인 전문가가 작성한 고장 보고서를 시스템이 자동으로 분석하고 고장에 대한 발생원인 및 처리 방법을 네트워크 형태의 지식으로 구성할 수 있도록 한다.

마지막으로, 하이브리드 지식공학기법에 의해 구축된 지식과 인과관계 고장지식을 융합하여 고장 진단과 예측에 적용하였다.

성능 분석을 통해, 제안된 프레임워크가 고장 예측에 대해 다른 방법론보다 우수함을 보였으며, 제안된 의사결정지원방법은 현장에서 요구하는 두 가지 유형의 지식을 점진적으로 진화시킬 수 있다. 따라서 지식 관리의 어려움을 해결하고 보완적으로 두 지식을 함께 사용할 수 있다. 그 결과, 지식관리 효율성이 달성되었으며, 기존 기계학습 방법에 비해 우수한 성능을 보였다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Overview 1
• 1.2 Motivation 3
• 1.3 Contribution 4
• 1.4 Thesis Organization 6
• 2. Background and Related Work 11
• 2.1 Knowledge Representation Techniques 11
• 2.2 Machine Learning Techniques 21
• 2.3 String Comparison 27
• 2.4 Information Extraction 33
• 2.5 Plant maintenance 51
• 2.6 Ontology Engineering 55
• 3. Alarm Data Analytics 61
• 3.1 Alarm Data Collection 61
• 3.2 Alarm Data Feature Analytics 62
• 3.3 Summary 71
• 4. Failure Knowledge Acquisition and Maintenance 72
• 4.1 Introduction 72
• 4.2 Ripple Down Rules (RDR) 76
• 4.3 Knowledge Management by Machine Learning 81
• 4.4 Failure Detection Framework ８4
• 4.5 Knowledge Acquisition by RDR-based Machine Learning 86
• 4.6 Evaluation 93
• 4.7 Discussion 99
• 4.8 Conclusion 99
• 5. Process Map with Causal Knowledge 101
• 5.1 Introduction 101
• 5.2 Process Map Concept 105
• 5.3 Process Map Construction 114
• 5.4 Evaluation 146
• 5.5 Conclusion 148
• 6. Hybrid Knowledge Representation Integration 149
• 6.1 Knowledge Acquisition with Hybrid Knowledge Representation 150
• 6.2 Alarm Knowledge Representation 155
• 6.3 Preventive Management System 158
• 6.4 Implementation 160
• 6.5 Evaluation 164
• 6.6 Conclusion 171
• 7. Study Conclusion and Future Directions 172
• 7.1 Summary and Conclusion 172
• 7.2 Future Work 173
• Bibliography 175
• A. Appendix A. List of Publications 189
• B. Appendix B. Introduction for Failure Report Analysis System 192
• C. Appendix C. Case Study: Alarm Data 202