Condition Monitoring and Algorithms for Fault Detection

Abstract

Teollisuuden tuotantokoneisto tarvitsee säännöllistä huoltoa. Hyvin huollettu laitteisto pitää tuotteiden laadun hyvänä ja tarjoaa työntekijöille turvallisen työympäristön. Liian harva huoltoväli saattaa johtaa yllättäviin konerikkoihin, jotka voivat aiheuttaa kalliita huoltoja ja pitkiä tuotantokatkoksia. Kunnonvalvonnalla voidaan seurata laitteiston kuntoa ja ennakoida sen rikkoutumista. Ennakointi mahdollistaa laitteiston huollon optimoinnin, joka auttaa nostamaan teollisuusyrityksen kilpailukykyä.

Tässä työssä tutkitaan erilaisia kunnonvalvonta-algoritmeja. Erityisinä mielenkiinnon kohteina ovat itsejärjestyvä kartta (SOM) ja monikerros-perseptroniverkko (MLP), jotka ovat oppivia menetelmiä. Muita käytettyjä algoritmeja ovat FFT, aallokemuunnos ja riippumattomien komponenttien analyysi (ICA).

Algoritmien toimintaa kokeillaan käytännön olosuhteissa muutamilla eri laitteistoilla, joihin kuuluvat moottori ja kaksi erilaista vaihteistoa. Laitteista mitattuja signaaleja analysoidaan FFT:llä ja aallokemuunnoksella, ja signaaleista yritetään eritellä riippumattomat komponentit. Oppiville algoritmeille opetetaan laitteiden ominaistaajuudet ja kokeillaan miten hyvin ne oppivat tunnistamaan laitteiden toimintatilan niiden perusteella.

Oppivat menetelmät osasivat tunnistaa hyvin ne toimintatilat, jotka niille opetettiin. Aitoa vikojen tunnistamista ei voitu kokeilla, sillä testattavat laitteet olivat täysin toimivia koko mittausjakson ajan. Myös signaalin riippumattomien komponenttien erittely toimi melko hyvin vaikkei se ihan täyttänytkään ennakko-odotuksia.