Incipient anomaly detection and estimation for complex system health monitoring
Institution:
université Paris-SaclayDisciplines:
Directors:
Abstract EN:
Incipient fault detection and diagnosis in engineering and multivariate industrial systems with a high-level noise are addressed in this Ph.D. thesis by a ’global’ non-parametric statistical approach. An incipient fault is supposed to induce an abnormal change in the measured value of the system variable. However, such change is weak, and it tends not to cause obvious changes in the signal distribution’s parameters. Especially in high noise level environment, the weak fault feature can be masked by the noise and becomes unpredictable. In such a condition, using traditional parametric-based methods generally fails in the fault detection. To cope with incipient fault detection and diagnosis, a ’global’ approach that can consider the total faults signature is needed. The incipient fault detection can be obtained by measuring the differences between the signal distributions before and after the fault occurrence. Some distribution-based ’global’ methods have been proposed, however, the detection capabilities of these existed approaches in high noise level environment should be improved. In this context, Jensen-Shannon divergence is considered a ’global’ fault indicator to deal with the incipient fault detection and diagnosis in a high noise level environment. Its detection performance for small abnormal variations hidden in noise is validated through simulation. In addition, the fault estimation problem is also considered in this work. A theoretical fault severity estimation model depending on the divergence value for the Gaussian condition is derived. The accuracy of the estimation model is evaluated on numerical models through simulations. Then, the ’global’ statistical approach is applied to two applications in engineering. The first one relates to non- destruction incipient cracks detection. The Jensen-Shannon divergence combined with Noisy Independent Component Analysis and Wavelet analysis was applied for detection and characterization of minor cracks in conductive structures with high-level perturbations based on experimental impedance signals. The second application addresses the incipient fault diagnosis in a multivariate non-linear process with a high-level noise. Tennessee Eastman Process (TEP) is one typical multivariate non-linear process, the Jensen-Shannon divergence in the Kernel Principal Component Analysis (KPCA) is developed for coping with incipient fault detection in this process.
Abstract FR:
La détection et le diagnostic des défauts naissants pour les systèmes d’ingénierie ou industriels multivariés à bruit élevé sont abordés dans ce travail de thèse par l’intermédiare d’une approche statistique non paramétrique ’globale’.Un défaut naissant induit un changement anormal dans les valeurs mesurées de la variable du système. Cependant, un tel changement est faible, et tend à ne pas causer de changements évidents dans les paramètres des distributions des signaux du système. En particulier dans un environnement bruité, les caractéristiques de ces défaults faible peuvent être masquées par le bruit et rend celui-ci difficile à évaluer. Dans une telle situation, l’utilisation de méthodes paramétriques traditionnelles pour la détection échouent. Pour faire face à ces difficultés et effectuer la détection et le diagnostic des défauts, une approche’globale’ qui peut prendre en compte la signature totale des défauts est nécessaire. La détection de défauts naissants peut être obtenue par la mesure des différences entre les distributions avant et après l’apparition du défaut. Certaines méthodes basées sur la distribution (dites ’globales’) ont été proposées, mais les performances de détection de ces approches existantes dans un environnement à haut niveau de bruit devraient être améliorées. Dans ce contexte, la divergence de Jensen-Shannon est considérée comme un indicateur de défaut ’global’ pour effectuer la détection et le diagnostic de défaut naissant dans un environnement à haut niveau de bruit. Ses performances de détection pour de petites variations anormales noyées dans le bruit sont validés en simulation. En outre, le problème de l’estimation des défauts est également étudié dans ce travail. Un modèle théorique d’estimation de la sévérité des défauts à parti dépend de la valeur de la divergence pour des conditions Gaussiennes est établi. La précision du modèle d’estimation est évaluée sur des modèles numériques par le biais de simulations. Ensuite, l’approche statistique ’globale’ est mise en oeuvre pour à deux applications dans le domaine de l’ingénierie. La première concerne la détection de fissures naissantes dans un matériau conducteur. La divergence de Jensen-Shannon combinée à l’analyse en composantes indépendantes et à la décomposition on ondelettes a été appliquée à la détection et à la caractérisation de fissures mineures dans des structures conductrices avec des perturbations bruit sur la base de signaux d’impédance expérimentaux. La deuxième application concerne le diagnostic de défauts naissants dans un processus non linéaire multivarié avec un bruit élevé. Le ’Tennessee Eastman Process’ (TEP) est un processus non linéaire multivarié typique pour lequel nous avons appliqué, la divergence de Jensen-Shannon combinée à l’analyse en composantes principales à noyau (ACPN) est pour étudier la détection de défauts naissants dont les difficultés de sont largement décrites dans la littérature.