Promaint-lehti 1/2024
Promaint-lehti on neljä kertaa vuodessa ilmestyvä teollisuuden ja tuotannon ammattilehti.
Promaint-lehti on neljä kertaa vuodessa ilmestyvä teollisuuden ja tuotannon ammattilehti.
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
TUTKIMUS<br />
kiihtyvyysanturin signaaleista erotetut<br />
värähtelyvasteen 1,5-kerrannaisen komponentin<br />
amplitudi sekä signaalin teho.<br />
Luokat ovat eri tehotasoja ilmaistuina<br />
prosentteina gensetin nimellistehosta:<br />
0 %, 50 %, 75 %, 90 %, 95 % ja 100 %.<br />
Epänormaalin toiminnan<br />
tunnistus<br />
Epänormaalin toiminnan tunnistaminen<br />
voidaan tehdä uutuustunnistuksen<br />
avulla. Uutuuksien havaitseminen on<br />
binääriluokituksen alatyyppi, jossa opetettu<br />
malli ennustaa, kuuluuko näyte samaan<br />
luokkaan niiden näytteiden kanssa,<br />
joiden perusteella malli on opetettu,<br />
vai ei. Samoja piirteitä, joita käytettiin<br />
gensetin tehotasojen luokitteluun, voidaan<br />
käyttää myös uutuuden havaitsemiseen.<br />
Jokaiselle tehotasolle voidaan<br />
rakentaa erilliset uutuudentunnistusmallit.<br />
Kahden eri algoritmeilla opetetun<br />
piirretunnistimen, yhden luokan<br />
tukivektorikoneen (OC SVM) ja paikallisen<br />
poikkeavuuskertoimen (LOF) tulokset<br />
on esitetty kuvassa 4. Yhden triaksiaalisen<br />
kiihtyvyysmittarin jatkuvista<br />
yhden minuutin pituisista signaaleista<br />
eristetyt piirteet on annettu syötteenä<br />
uutuusilmaisimille. Uutuusilmaisimen<br />
arvo 0 edustaa normaalia toimintaa ja<br />
arvo 1 epänormaalia toimintaa. Tulos on<br />
esitetty yhden syklin pituisen ikkunan<br />
yli laskettuna liukuvana keskiarvona.<br />
Gensetin epänormaali toiminta tapahtui<br />
noin 30 sekunnin kohdalla. Kuvan 4 perusteella<br />
molemmat uutuusilmaisimet<br />
kykenevät havaitsemaan gensetin epänormaalin<br />
toiminnan. [1]<br />
Kuva 4. Uutuusilmaisimien havaitsema epänormaali toiminta. [1]<br />
Tunnistusmallien jatkokehitys<br />
Kunnianhimoinen tulevaisuuden tavoite<br />
ei ole vain epänormaalin toiminnan<br />
oikea-aikainen havaitseminen, vaan<br />
myös erilaisten vikojen tunnistaminen<br />
ja luokittelu. Edellä mainitun kaltaisten<br />
mallien kehittäminen on kuitenkin<br />
hyvin haastavaa, koska oikeiden vikatilanteiden<br />
aikana mitattua dataa on tarjolla<br />
hyvin niukasti. Yksi mahdollinen<br />
ratkaisu voisi kuitenkin olla datan tuottaminen<br />
simuloimalla vikatilanteita.<br />
Ensimmäiset askeleet siihen suuntaan<br />
on jo otettu tutkimalla tietokoneella simuloitujen<br />
gensetin värähtelyvasteiden<br />
soveltuvuutta luokittelumallien tekoon<br />
(kuva 5) [3]. Käyttötilan tunnistusmallien<br />
jatkokehityksen ja niiden käyttöönoton<br />
teollisissa ympäristöissä voidaan<br />
Kuva 5. Gensetin elementtimalli. [3]<br />
odottaa tapahtuvan lähiaikoina osana<br />
uusia yhteisiä kehitysprojekteja Wärtsilän,<br />
VTT:n ja muiden sidosryhmien<br />
välillä.<br />
LÄHTEET<br />
[1] Junttila, J., 2021, Operational State Recognition of a Rotating Machine Based on Measured Mechanical Vibration Data. Master's thesis, Arcada University<br />
of Applied Sciences (2021)<br />
[2] Porter, F.P., 1943, Harmonic Coefficients of Engine Torque Curves. In: ASME, Journal of Applied Mecchanics, 10(1): A33-A48. DOI: https://doi.<br />
org/10.1115/1.4009248<br />
[3] Junttila, J., Sillanpää, A. Lämsä, V.S., 2022, Validation of Simulated Mechanical Vibration Data for Operational State Recognition System, 2022 IEEE<br />
23rd International Conference on Information Reuse and Integration for Data Science (IRI), San Diego, CA, USA, 2022, pp. 138-143, doi: 10.1109/<br />
IRI54793.2022.00040.<br />
1/<strong>2024</strong> promaint 47
Change language