Abstrakti
Värähtelyanalyysin paljastamalla tiedolla pyörivien koneiden kunnosta ja toiminnasta voidaan kohdistaa huoltotoimenpiteitä tarkasti vikaantuneisiin koneen osiin. Värähtelyn analysointi voi kuitenkin olla työlästä, sillä laitteiden värähtely on usein altis muun muassa ympäristön ja kunnon muutoksille. Syväoppivat mallit vaikuttavat lupaavilta värähtelyyn perustuvien kunnonvalvontajärjestelmien automatisoimiseksi. Syväoppimista hyödyntävät järjestelmät voivat valvoa useita laitteita samanaikaisesti keventäen kunnonvalvonnan työkuormaa. Syväoppivat mallit voivat myös huomioida ympäristön ja kunnon muutoksien vaikutukset värähtelyyn.
Tässä tutkimuksessa kehitettiin syväoppimissovelluksia värähtelyn analysointiin. Työ painottui sekä kunnonvalvontaan soveltuvien syväoppimismallien kehittämiseen, että parhaimpien optimointimenetelmien löytämiseen. Tutkimuksessa kehitettiin syväoppimiseen perustuva virtuaalinen sensori ja optimointimenetelmä. Virtuaalisensorisovelluksen ja optimointimenetelmän toimivuus validoitiin datalla, joka sisälsi laajalti vaihtelevilla pyörimisnopeuksilla ja tuennanjäykkyyksillä kerättyjä paperikoneentelan värähtelynäytteitä. Tutkimuksessa vertailtiin myös 1D konvoluutioneuroverkkoihin perustuvia vikadiagnostiikkamalleja, jotka optimoitiin eri kohdista voimansiirtolinjaa kerätyllä datalla. 1D konvoluutioneuroverkkomallien piirteiden normalisointia tutkittiin myös värähtelydatalla, jota oli kerätty laboratorio olosuhteissa, sekä oikeassa käytössä.
Tutkimuksen tulokset osoittavat, että syväoppimismallit voivat analysoida pyörivien koneiden värähtelyä huomioiden ympäristön ja käytön aiheuttamat värähtelyn muutokset. Samalla tulokset myös osoittavat, että syväoppimismallin tarkkuus ja luotettavuus ovat korkeimmat värähtelyalueella, joka vastaa koulutusdatan sisältämää värähtelyä. Lisäksi tutkimustulokset osoittivat vääntövärähtelyn olevan erinomainen mitattava suure pyörivien koneiden ja erityisesti hammaspyörien vikadiagnostiikkaa varten. Tulokset indikoivat myös, että tarkemmalla konvoluutioverkkojen piirteiden normalisoinnilla voidaan yhä parantaa vikadiagnostiikkamalleja.
Tämän tutkimuksen löydökset ovat relevantteja syväoppimismalleihin perustuvien pyörivien koneiden kunnonvalvontajärjestelmien tutkimus- ja kehitysprojekteille. Tutkimuksessa kehitetyt sovellukset ja niiden optimointiin liittyvät parhaat käytännöt voivat parantaa nykyisiä automaattisia kunnonvalvontajärjestelmiä tarjoten tarkempia ja nopeita värähtelyanalyysejä. Ajankohtaisella informaatiolla koneiden toiminnasta ja kunnosta huoltosuunnitelmien päivittäminen ja toteuttaminen helpottuvat.
Julkaisun otsikon käännös | Neuroverkkomenetelmät pyörivien koneiden kunnonvalvontaan |
---|---|
Alkuperäiskieli | Englanti |
Pätevyys | Tohtorintutkinto |
Myöntävä instituutio |
|
Valvoja/neuvonantaja |
|
Kustantaja | |
Painoksen ISBN | 978-952-64-1432-4 |
Sähköinen ISBN | 978-952-64-1433-1 |
Tila | Julkaistu - 2023 |
OKM-julkaisutyyppi | G5 Artikkeliväitöskirja |
Tutkimusalat
- kunnonvalvonta
- pyörivät koneet
- syväoppiminen