A methodology for synthetic generation of failure data for data-driven prognostics and health management modeling for digital twins

Abstract

Prognostics and Health Management (PHM) is one of the main services encompassed by Industry 4.0. However, the scarcity of failure data due to the nature of machines’ opera tion is still a challenge to be transposed in this field. Due to recent advances in computing power, simulation, sensing, and networking technologies digital twins allow us to adopt a different approach to this problem: inserting failures into a digital replica of the real asset to train data-driven PHM models. In this work, we propose a general methodology to generate and validate synthetic failure data for PHM purposes. Also, we present an application of the proposed methodology, which produced a synthetic failure dataset val idated with real data. In the experiment, we have modeled a smart petroleum well in a commercial computational fluid-dynamics simulator and injected failures into the system by modifying the expected behavior of the equipment to generate synthetic failure data. Then, we assessed the quality of the synthetic data by training machine learning algo rithms on them, testing on data from a petroleum plant production, and applying fidelity metrics to verify the necessary improvements to the process. The results show the feasibil ity of generating useful synthetic data for PHM purposes, and the proposed methodology indicates points of enhancement in the generated data. The presented methodology still has limitations concerning its extrapolation for the general PHM case, and this work also discuss alternatives to overcome these constraints.

PHM (acrônimo na língua inglesa para Prognostics and Health Management) é um dos principais serviços englobados pela Indústria 4.0. Entretanto, a escassez de dados de falhas devido à natureza de operação das máquinas ainda é um desafio a ser transposto neste campo. Devido aos recentes avanços tecnológicos em poder computacional, simulação, detecção e rede, os gêmeos digitais nos permitem adotar uma abordagem diferente para esse problema: inserir falhas em uma réplica digital do ativo real para treinar modelos de PHM orientados a dados. Neste trabalho, propomos uma metodologia geral para gerar e validar dados sintéticos de falha para PHM. Além disso, apresentamos uma aplicação da metodologia proposta, produzindo um conjunto de dados sintéticos de falha validado com dados reais. No experimento, modelamos um poço de petróleo inteligente em um simulador de fluido-dinâmica computacional comercial e injetamos falhas no sistema, modificando o comportamento esperado do equipamento para gerar dados sintéticos de falha. Em seguida, avaliamos a qualidade dos dados sintéticos treinando algoritmos de aprendizado de máquina sobre eles, testando com dados reais de um poço de petróleo e aplicando métricas de fidelidade para verificar as melhorias necessárias no processo. Os resultados mostram a viabilidade de geração de dados sintéticos úteis para fins de PHM, e a metodologia proposta indica pontos de aprimoramento nos dados gerados. A metodologia apresentada ainda possui limitações quanto à sua extrapolação para o caso geral de PHM, e este trabalho também discute alternativas para superar essas restrições.