Deep learning applications for condition monitoring of rotating systems

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.