aalto1 untyped-item.component.html
Automated condition monitoring for maritime thrusters
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Mcode
Language
en
Pages
64
Series
Abstract
Automated condition monitoring improves operational efficiency by enabling predictive maintenance through early detection of anomalies, thus reducing costs and downtime. For condition monitoring purposes in the maritime industry, lateral vibration data is typically used. Recent studies indicate that torsional vibration data could effectively replace or complement lateral vibration data to improve the accuracy of fault diagnosis. This thesis employs torsional vibration data and compares three methods.
Rule-based methods, still common in the maritime industry, involve monitoring amplitude changes in characteristic frequencies, such as ball pass frequencies of outer and inner races of the bearing. Comparing outer race ball pass frequency amplitudes from known healthy states to current thruster conditions assesses bearing health. In this thesis, torsional vibration data from a faulty thruster (post-examination revealed bearing and gear damage) is compared to healthy data. A statistical model is developed to illustrate rule-based deployment.
Supervised deep learning is applied using all available healthy and faulty data for classification. Key challenges include large data requirements per condition class, generalization uncertainty, and decision logic; gradient-weighted class activation mapping interprets the decision process.
Zero-shot learning with a pre-trained model addresses the generalization and data demands of traditional supervised learning. Trained on various gear and bearing fault datasets, the model computes embeddings for novel maritime thruster data.
The methods demonstrated solid performance in terms of accuracy, with key differences in uncertainty and industrial usability. Rule-based approaches initially distinguish faulty and healthy samples, but sanity checks suggest natural variance may imitate fault-induced increases. Supervised deep learning offers promising accuracies, yet decision analysis indicates limited generalization. Zero-shot learning effectively clusters faulty and healthy samples, showing strong industrial potential but requiring more data for confidence.
This thesis provides an understanding of the strengths and weaknesses of each method. Additional data from varied conditions and thrusters could enable re-evaluation to select a deployment candidate for automated condition monitoring.
Automaattinen kunnonvalvonta parantaa toiminnan tehokkuutta mahdollistamalla ennakoivan kunnossapidon varhaisen vikojen havaitsemisen avulla, mikä vähentää kustannuksia ja seisokkeja. Meriteollisuudessa kunnonvalvontaan käytetään tyypillisesti poikittaisvärähtelydataa. Viimeaikaiset tutkimukset osoittavat, että vääntövärähtelydata voi korvata tai täydentää sitä parantaen vianmäärityksen tarkkuutta. Tämä opinnäytetyö käyttää vääntövärähtelydataa ja vertaa kolmea menetelmää.
Sääntöpohjaiset menetelmät ovat edelleen yleisiä meriteollisuudessa. Niissä seurataan tyypillisten vikataajuuksien, kuten laakerin ulko- ja sisäkehän pyörimiselementtien ohitustaajuuksien amplitudimuutoksia. Tässä työssä vertaillaan viallisesta potkurista (jälkitarkastuksessa paljastui laakerin ja hammaspyörän vaurio) mitattua vääntövärähtelydataa terveeseen dataan. Tilastollinen malli kehitetään havainnollistamaan yhtä sääntöpohjaisen menetelmän käyttöönottovaihtoehtoa.
Ohjattua syväoppimista sovelletaan käyttämällä kaikkea saatavilla olevaa potkurin vääntövärähtelydataa luokittelutehtävässä. Keskeisiä haasteita ovat suuret datamäärätarpeet jokaiselle tilaluokalle, yleistämisen epävarmuus ja päätöksentekologiikka. Gradienttipainotettu aktivointikartta auttaa tulkitsemaan päätöksentekoprosessia.
Nollasta esimerkistä oppimiseen perustuva, ennakkoon koulutettu malli vastaa perinteisten syväoppimismenetelmien yleistämis- ja datavaatimuksiin. Malli on koulutettu useilla vaihteisto- ja laakerivika-aineistoilla, ja se laskee upotusvektorit uusille potkurinäytteille.
Menetelmät osoittivat vankkaa suorituskykyä tarkkuuden osalta, mutta niillä oli eroja epävarmuudessa ja teollisessa sovellettavuudessa. Sääntöpohjaiset lähestymistavat erottavat aluksi vialliset ja terveet näytteet, mutta luonnollinen vaihtelu voi matkia vikojen aiheuttamia amplitudinousuja. Ohjattu syväoppiminen tarjoaa lupaavia tarkkuuksia, mutta päätöksentekoanalyysi osoittaa rajoitettua yleistettävyyttä. Nollasta esimerkistä oppiminen ryhmittelee tehokkaasti vialliset ja terveet näytteet, osoittaen vahvaa teollista potentiaalia, mutta vaatii lisää dataa luotettavuuden varmistamiseksi.
Tämä opinnäytetyö antaa ymmärryksen jokaisen menetelmän vahvuuksista ja heikkouksista. Lisädata erilaisista tiloista ja potkureista mahdollistaisi uudelleenarvioinnin lopullisen ehdokkaan valintaan automaattista kunnonvalvontasovellusta varten.