Machine learning for centrifugal pump condition monitoring using data from variable frequency drive
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
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
2022-12-12
Department
Major/Subject
Mechanical Engineering
Mcode
Degree programme
Master's Programme in Mechanical Engineering (MEC)
Language
en
Pages
62 + 8
Series
Abstract
Centrifugal pump maintenance that is not based on its true condition causes unnecessary waste of time and resources. Resources are wasted on premature maintenance operations and replacing still functional parts. Condition-based maintenance strategies, like predictive maintenance, could make maintenance more efficient as the right maintenance procedures can be done exactly when needed. With effective condition monitoring, the condition of the pump is known, its remaining operation time can be predicted, and the possible faults can be diagnosed. However, these strategies are not utilised because of their high upfront cost. This thesis introduces a novel machine learning application for centrifugal pump condition monitoring and a fault diagnosis based on raw data from a variable frequency drive. A variable frequency drive as a source of data gives a possibility for sensorless condition monitoring. Furthermore, fault diagnosis can be automated by using deep learning methods. A convolutional neural network type of deep learning model was trained to diagnose the pump conditions. For this thesis, two centrifugal pump fault conditions were studied: cavitation and abrasive metal-metal contact. In order to train the deep learning model, series of experiments were conducted to form a dataset. The dataset was comprised of variable frequency drive raw torque data under the chosen pump conditions. The trained model achieved a weighted accuracy of 78.4%. The trained model's performance on abrasive metal-metal contact was excellent, whereas differentiating cavitation from normal samples needs improvement. The results demonstrate the possibility of diagnosing multiple pump failures from the variable frequency drive data. Overall, the results of the thesis are promising. With improvement, this deep learning model could be implemented into variable frequency drive software or as an embedded device. This kind of condition monitoring system has the possibility to make condition-based maintenance more approachable and affordable.Keskipakopumpun Kunnossapito, joka ei perustu keskipakopumpun todelliseen kuntoon, aiheuttaa tarpeetonta ajan ja resurssien haaskausta. Resursseja tuhlataan ennenaikaisiin huoltotoimenpiteisiin ja ehjien komponenttien vaihtoon. Kuntoon perustuvilla kunnossapito menetelmillä, kuten ennustuvalla kunnossapidolla, on mahdollisuus tehdä kunnossapidosta tehokkaampaa. Kunnonvalvonnalla huoltotoimenpiteet voidaan suorittaa oikea aikaisesti. Tehokkaalla pumpun kunnonvalvonnalla pumpun todellinen tila tiedetään, sen jäljellä olevaa toiminta ikää voidaan arvioida ja sen vikoja pystytään määrittämään. Tässä diplomityössä esitellään taajuusmuuttajan raakadataa hyödyntävä koneoppimissovellus keskipakopumpun kunnonvalvontaan ja vianmääritykseen. Taajuusmuuttaja tietolähteenä antaa edellytykset anturittomalle kunnonvalvonalle. Syväoppimisen avulla vianmääritys voidaan automatisoida. Konvoluutioneuroverkkoon perustuva syvväoppimismalli koulutettiin määrittämään keskipakopumpun vikatiloja. Tässä työssä tarkasteltiin kahta keskipakopumpun vikatilaa: kavitaatio ja hankaava metalli-metalli kontakti. Neuroverkon koulutusta varten suoritettiin sarja mittauksia muodostamaan tietojoukko. Tietojoukko sisälsi näytteitä taajuusmuuttajan vääntömomenttidatasta valituista pumpun vikatiloissa. Lopputuloksena saadun mallin painotettu tarkkuus oli 78.4%. Koulutettu malli luokitteli hankaavan metalli-metallikontaktin erinomaisesti, mutta kavitaation erottaminen normaalitilasta vaatii parannusta. Tulokset osoittivat, että on mahdollista määrittää useita vikatiloja taajuusmuuttajan datasta. Kaiken kaikkiaan, tämän työn tulokset ovat lupaavia. Pidemmälle kehitettynä tämä syväoppimismalli voidaan ottaa käyttöön sisällyttämällä se taajuusmuutajan ohjelmistoon tai erilliseen sulautettuun laitteeseen. Koulutettuun malliin perustuvalla kunnonvalvonta metodilla kuntoon perustuvasta kunnossapidosta saadaan lähestyttävämpää ja edullisempaa.Description
Supervisor
Viitala, RaineThesis advisor
Miettinen, JessePäivinen, Timo
Keywords
condition monitoring, fault diagnosis, centrifugal pump, variable frequency drive, deep learning, convolutional neural network