A data-driven intelligent decision support framework for process operation management. An application to gas turbine process

Abstract

(English) This thesis presents a data-driven framework for enhancing the management and maintenance of industrial processes, exemplified through a case study involving gas turbines. The research focuses on several key areas: preprocessing operational data, identifying operational modes, analysing transitions between these modes, and detecting patterns for predictive maintenance. The research proposal begins with detailed data preprocessing to ensure the quality and usability of data. It then introduces methods for automatically recognising distinct operational modes using an ensemble of clustering techniques The research also explores the modelling of transitions between these operational states, capturing the dynamic nature of industrial processes. Furthermore, the Cluster-based Matrix Profile method is proposed to detect significant operational patterns that indicate potential issues or efficiencies, essential for developing predictive maintenance strategies. Overall, the framework developed in this thesis offers a systematic approach to improve decisionmaking, reliability, and efficiency in managing industrial processes. Although initially applied to gas turbines, this framework holds the potential for broader applications across various industrial systems.

(Català) Aquesta tesi presenta un marc de treball basat en dades per millorar la gestió i el manteniment de processos industrials, exemplificat a través d’un cas d’estudi que involucra turbines de gas. La recerca se centra en diverses àrees clau: pre-processament de dades d’operació, identificació de modes d’operació, anàlisi de transicions entre aquests modes d’operació i detecció de patrons per manteniment predictiu. La proposta de recerca comença amb un pre-processament detallat de les dades per assegurar-ne la seva qualitat i usabilitat. A continuació, introdueix mètodes per reconèixer automàticament modes d’operació diferents utilitzant un conjunt de tècniques d’agrupament (“clustering”). La recerca també explora el modelatge de transicions entre aquests estats d’operació, tot i capturant la naturalesa dinàmica dels processos industrials. A més a més, es proposa el mètode del “Perfil de Matriu basat en Clústers” per detectar patrons d’operació significatius que indiquen problemes potencials o eficiències, essencial per desenvolupar estratègies de manteniment predictiu. En general, el marc desenvolupat en aquesta tesi ofereix un enfocament sistemàtic per millorar la presa de decisions, la fiabilitat i l’eficiència en la gestió de processos industrials. Encara que inicialment aplicat a turbines de gas, aquest marc té un ampli potencial d’aplicació a diversos sistemes industrials.

(Español) Esta tesis presenta un marco de trabajo basado en datos para mejorar la gestión y mantenimiento de procesos industriales, ejemplificado a través de un caso de estudio que involucra turbinas de gas. La investigación se centra en varias áreas clave: preprocesamiento de datos de operación, identificación de modos de operación, análisis de transiciones entre estos modos de operación y detección de patrones para mantenimiento predictivo. La propuesta de investigación comienza con un preprocesamiento detallado de los datos para asegurar su calidad y usabilidad. A continuación, presenta métodos para reconocer automáticamente modos de operación distintos utilizando un conjunto de técnicas de agrupación (“clustering”). La investigación también explora el modelado de transiciones entre estos estados de operación, capturando la naturaleza dinámica de los procesos industriales. Además, se propone el método del “Perfil de Matriz basado en Clústers” para detectar patrones de operación significativos que indican problemas potenciales o eficiencias, esencial para desarrollar estrategias de mantenimiento predictivo. En general, el marco desarrollado en esta tesis ofrece un enfoque sistemático para mejorar la toma de decisiones, la fiabilidad y la eficiencia en la gestión de procesos industriales. Aunque inicialmente aplicado a turbinas de gas, este marco tiene un amplio potencial de aplicación a diversos sistemas industriales.