Keinot koneoppimisen hyödyntämiseksi keskipakopumppujen kunnonvalvonnassa

Abstract

Erilaisilla kunnonvalvontamenetelmillä laitteiden toimintahäiriöt pystytään havaitsemaan entistä aikaisemmin. Yhtenä apukeinona mittausdatan tulkintaan on kokeiltu koneoppimista, jolla vikatiloja pystytään esimerkiksi ennustamaan.

Tässä diplomityössä selvitettiin koneoppimiskeinoja keskipakopumppujen vikamuotojen havaitsemiseksi erään kemianalan prosessiteollisuuden tuotantolaitoksen prosessi- ja kunnonvalvontamittauksien perusteella. Tavoitteena oli myös määrittää millaisia mittauksia koneoppimista hyödyntävä järjestelmä vaatisi, minkä vikamuotojen ennakointi on haastavaa, ja millaista hyötyä koneoppimisen avulla saavutettaisiin. Lisäksi tavoitteena oli löytää kehityskohteita tuotantolaitoksen mittaustoiminnalle.

Työssä tutustuttiin koneoppimiseen ja keskipakopumppuihin liittyvään teoriaan, ja tarkasteltiin millaisia kunnonvalvontakeinoja eri vikamuodoille on kehitetty. Lisäksi tarkasteltiin erilaisia koneoppimismalleja hyödyntäviä järjestelmiä. Työn rajauksessa määriteltiin tarkasteltaviksi vikamuodoiksi kavitaatio, mekaanisten tiivisteiden vuodot sekä laakeriviat.

Tieteellisissä julkaisuissa ja kirjallisuudessa yleisesti pidettiin värähtelymittausta tehokkaana kunnonvalvontakeinona. Muitakin keinoja hyödynnettiin, kuten moottorin sähkövirtamittauksia sekä erilaisia prosessin mittauksia. Koneoppimista käytettiin vikatilojen ennustamisessa sekä tunnistamisessa ja luokittelussa.

Tarkastelun kohteena olevalta tuotantolaitokselta kerättiin informaatiota haastatteluilla. Keskipakopumppujen kuntoa seurataan pääosin värähtelymittauksin parin kuukauden välein. Vain kriittisiä pumppuja valvotaan jatkuvasti. Värähtelydatan hyödyntäminen koneoppimisessa voi siis yleisesti olla vaikeaa. Laitoksen muista kunnonvalvonta- sekä automaatiojärjestelmistä löytyy myös mahdollisesti hyödynnettävää dataa. Mittaustoiminnan kehityskohteiksi löydettiin esimerkiksi online-kunnonvalvonnan lisääminen sekä langattomien lähettimien hyödyntäminen.

Nykyisillä menetelmillä työhön rajatut vikamuodot ovat jo havaittavissa. Haastavimmaksi vikamuodoksi selvisi mekaanisen tiivisteen vuoto, jota voi olla vaikea havaita ennalta. Mekaanisten tiivisteiden kunnonvalvonnassa koneoppiminen voi olla sopiva työkalu. Lisäksi koneoppiminen voisi olla hyödyllinen työkalu nopeasti kehittyvissä vikatiloissa, joita ei tällä hetkellä tyypillisesti havaita.

Different kinds of condition monitoring methods can be used to detect faults in machinery. Machine learning has been applied in various condition monitoring systems to help with the processing of the data.

The goal of this thesis was to find out what centrifugal pump fault types could be identified with one chemical industry’s process plant’s process measurements and condition monitoring methods using machine learning. Additionally, the aim was to determine what kind of measurements are required for a machine learning system, what fault types are challenging or impossible to detect, and what kind of benefits could be achieved with a machine learning model. Furthermore, the goal was to find out development ideas for the production plant’s measurement activities.

The thesis first presents theory related to machine learning and centrifugal pumps and examines different kinds of condition monitoring methods. Various systems using machine learning were also examined. The fault types that were selected in the scope of the thesis considered mechanical seal leakage, bearing faults and cavitation.

In literature vibration measurements were generally accepted as an effective condition monitoring method. Other methods were also proposed in literature, such as current measurements for the motor and different kinds of process measurements. Machine learning was used in classifying, anomaly detection and predictive models.

Information was collected from the process plant with interviews. Typically, the process plant centrifugal pumps are monitored with vibration measurements every two months. Only critical pumps are under constant monitoring. Therefore, using vibration data with machine learning can be challenging. However, potential data for machine learning was also found from automation systems and instrument condition monitoring systems. Development ideas for measurement activities included usage of wireless sensors and increasing the amount of online condition monitoring.

The fault types that were selected in the scope of this thesis are detectable with the current condition monitoring methods. The most challenging fault type was found to be mechanical seal leakage, which can be challenging to detect in advance. Machine learning could be a useful tool in detecting and predicting mechanical seal failures. In addition, machine learning could be useful in detecting rapidly developing faults which are difficult to detect at the moment.