Deep learning applications for condition monitoring of rotating systems

Thumbnail Image

Files

isbn9789526414331.pdf (14.24 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Engineering | Doctoral thesis (article-based) | Defence date: 2023-10-20
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

2023

Department

Konetekniikan laitos
Department of Mechanical Engineering

Major/Subject

Mcode

Degree programme

Language

en

Pages

104 + app. 67

Series

Aalto University publication series DOCTORAL THESES, 148/2023

Abstract

Vibration-based condition monitoring can provide crucial information of the performance and health state of rotating machines for maintenance scheduling. Condition-based maintenance schedules can increase the reliability and useful lifetime of rotating machines and reduce maintenance downtime. Deep learning models show great promise for automating vibration-based condition monitoring systems. These models can be optimised for accurate and precise fault detection, fault diagnosis and virtual sensing functions, for example. Automating these functions can, for instance, reduce the manual labour required from experts, decrease the time from a fault occurring to the corrective maintenance action, and enable the condition monitoring of large machine fleets. To this end, the research improved the current deep learning-based condition monitoring models, and studied best practices for the application of these models for vibration analysis. A virtual sensor application based on long short-term memory (LSTM) and a training procedure for largely varied operating conditions were demonstrated. The virtual sensor application for a rotor system and the training procedure were evaluated with vibration data covering largely varied operating speeds and support stiffnesses. Fault diagnosis models based on one-dimensional convolutional neural networks (1D CNN) were optimised and compared with vibration data acquired with different sensors mounted on many locations on a drivetrain. The feature normalisation of 1D CNNs was investigated with vibration datasets acquired under laboratory and real operating conditions. The results demonstrate that deep learning models for vibration-based condition monitoring can learn to function over a large span of operating conditions. Simultaneously, the results also suggest that the training dataset should contain vibration samples from the desired operating condition range. The results imply that torsional vibration can be an effective data source for the fault diagnosis of rotating machines. Furthermore, the results show that the type, mounting location, and number of vibration sensors influence the model performance significantly. In addition, the results related to the feature normalisation experiments on 1D CNN-based models indicate that the current algorithms can still be improved. Overall, the findings in this research are relevant to the future research and development projects towards deep learning-based condition monitoring systems for rotating machines. Moreover, the developed applications and the findings related to the best optimisation practices can contribute to automatic condition monitoring systems providing timely information for maintenance planning. This in turn can reduce the downtime and maintenance costs of rotating machinery.

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.

Description

Supervising professor

Viitala, Raine, Asst. Prof., Aalto University, Department of Mechanical Engineering, Finland

Thesis advisor

Tiainen, Tuomas, Dr., Aalto University, Department of Mechanical Engineering, Finland

Keywords

condition monitoring, rotating machines, deep learning, kunnonvalvonta, pyörivät koneet, syväoppiminen

Other note

Parts

  • [Publication 1]: Jesse Miettinen, Tuomas Tiainen, Risto Viitala, Kari Hiekkanen, Raine Viitala. Bidirectional LSTM-Based Soft Sensor for Rotor Displacement Trajectory Estimation. IEEE Access, vol. 9, pp. 167556-167569, December 2021.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202201101068
    DOI: 10.1109/ACCESS.2021.3136155 View at publisher
  • [Publication 2]: Jesse Miettinen, Sampo Haikonen, Ivar Koene, Joni Keski-Rahkonen, Raine Viitala. Comparing torsional and lateral vibration data for deep learning-based drive train gear diagnosis. Mechanical Systems and Signal Processing, Volume 12, 110710, November 2023.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202309206009
    DOI: 10.1016/j.ymssp.2023.110710 View at publisher
  • [Publication 3]: Jesse Miettinen, Riku-Pekka Nikula, Joni Keski-Rahkonen, Fredrik Fagerholm, Tuomas Tiainen, Seppo Sierla, Raine Viitala. Whitening CNN-Based Rotor System Fault Diagnosis Model Features. Applied Sciences, 12, no. 9: 4411, April 2022.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202206083577
    DOI: 10.3390/app12094411 View at publisher

Citation

Permanent link to this item

https://urn.fi/URN:ISBN:978-952-64-1433-1

Collections

[diss] Insinööritieteiden korkeakoulu / ENG