SLAM: Självövervakande inlärning för prediktivt underhåll
- Diarienummer
- ID20-0019
- Projektledare
- Xiong, Ning
- Start- och slutdatum
- 210301-260301
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- Mälardalen University, Västerås
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Maskininlärning har använts i stor utsträckning inom prediktivt underhåll (eng. predictive maintenance) för att lära sig förutse potentiella fel i maskinutrustning eller system genom att använda tidigare insamlade data. För närvarande används olika övervakade inlärningstekniker inom detta område som kräver etiketterade träningsdata. Denna data tar lång tid att införskaffa och eftersom inlärning sker blockvis så kan dessa metoder heller inte anpassa sig till ändrade förhållanden (i.e. drift) inom utrustning eller system. Detta projekt kommer att utveckla självövervakande och kontinuerliga inlärningsmetoder för att främja en bredare tillgänglighet av datadrivet prediktivt underhåll i kraftnät. Vi kommer först att försöka kringgå det kostsamma arbetet med att etikettera data genom att undersöka nya självövervakande inlärningssystem som använder attribut från indata som övervakande signaler. I ett andra steg kommer vi att implementera inlärning som fortgår kontinuerligt för inkommande dataströmmar (ström- och spänningssignaler) som genereras från ett kraftnät. Kontinuerligt (och livslångt) lärande har hög potential att stödja mer grundade och exakta underhållsbeslut genom att hantera förändrade förhållanden i kraftnät, som t.ex. åldrande av elektriska komponenter. Fallstudier med data som samlats in från kraftnät kommer att utföras för att utvärdera effektiviteten i de föreslagna metoderna.
Populärvetenskaplig beskrivning
Predictive maintenance is increasingly important for industrial companies to achieve cost effective and highly reliable performance. Machine learning has been widely used in predictive maintenance to build a prediction model for fault detection or prognosis. But the current methods of learning in this area have two limitations: (1) Labels of large amount of data need to be annotated prior to learning, which is very costly; (2) Learning is usually performed offline and hence the acquired models cannot adapt to variations and drifting conditions. SLAM aims to overcome the above limitations. It will develop a self-supervised and continual learning framework in support of predictive maintenance in power network systems. Self-supervised learning will be performed in the framework that rely on input data as supervisory signals such that data annotation is no longer required. Learning will also be implemented in a continual manner to enable life-long knowledge augmentation as well as to keep track of system evolution. The framework developed in SLAM will consist of three learning modules: (1) online learning of normal system behaviour for anomaly detection; (2) joint deep learning and clustering for aging trend identification; (3) continual learning of the classification model for deterioration state prediction. Combining the results from the three learning modules will offer an integrated approach for more reliable assessment of the deterioration status of power networks. Case studies with sensor data collected from power stations will be carried out to evaluate the feasibility and performance of the proposed methods. .