Možnosti použití umělé inteligence pro on-line vibrodiagnostiku

Obrázek 1: Typický průběh trendu vibrací v jednotkách zrychlení pro gumárenský průmysl Obrázek 1: Typický průběh trendu vibrací v jednotkách zrychlení pro gumárenský průmysl

Wikov je strojírenská skupina tvořená výrobními závody, které jsou aktivní na poli výroby a servisu převodovek a ozubených kol do široké škály průmyslových oborů, energetiky a kolejových vozidel. Na všechny tyto aplikace provádí naše firma vibrodiagnostiku, a to jak v rámci servisního oddělení v Hronově, tak i v Plzni. Od roku 2013 firma Wikov používá pro diagnostiku převodovek také on-line monitorování vibrací, teplot a dalších fyzikálních veličin. Pro usnadnění vyhodnocování naměřených veličin, zejména vibrací, jsou postupně zaváděny algoritmy umělé inteligence.

Tento článek se zabývá použitelností nástrojů umělé inteligence pro on-line vibrodiagnostiku převodovek. Jedná se především o použití algoritmů Machine Learningu a Deep Learningu. Tyto algoritmy je možné naučit automaticky rozeznávat poruchové stavy převodovky bez dohledu vibrodiagnostika, a to jak z časových signálů zrychlení, tak i z FFT spekter, spektrogramů a orbit hřídelového kmitání v kluzných ložiscích.

Úvod

On-line monitorování převodovek klade vysoké nároky na včasnou identifikaci poruch již od počátku. Jelikož u převodovek se převážná většina poruch odehrává poškozováním nebo nadměrným opotřebováním kontaktních ploch ozubení nebo valivých ložisek, je nutné pro včasné zachycení a lokalizaci poruch používat nejen sledování trendů naměřených veličin, ale i náročnější vyhledávání v FFT spektrech a časových signálech rychlosti nebo zrychlení. Většina aplikací, kde jsou převodovky použity, neběží s konstantním zatížením a konstantními otáčkami, proto je nutné také zpracovávat trendy ze statistických dat, jako je například Crest faktor nebo Kurtosis, v některých případech i šikmost souboru dat. Na obrázku 1 je vidět trend měřených RMS hodnot zrychlení na převodovce mixéru během několika mixovacích cyklů. Pro klasifikaci statisticky zpracovaných dat se nabízí použití algoritmů umělé inteligence, konkrétně Machine Learningu (v překladu strojové učení), který bude popsán v kapitole 2. Klasifikaci pomocí tohoto nástroje je možné provádět jak z nefiltrovaného časového signálu zrychlení ve frekvenčním spektru v plném rozsahu snímače, tak i z filtrovaných dat, kde už nejsou nahodilé jevy z externích zdrojů převodovky. Pro automatické vyčítání poruch z frekvenčních spekter, spektrogramů, scalogramů nebo tvarů orbit se v případě kluzných ložisek nabízí jiný přístup klasifikace stavu poruchy pomocí algoritmů Deep Learningu (v překladu hluboké učení), který bude popsán v kapitole 3. Oba tyto přístupy je v dnešní době možné programovat v prostředí softwaru MATLAB a dále kompilovat dle potřeby do různě samostatně fungujících souborů. V našem případě implementace se jedná o algoritmy, které jsou předem naučené dle našich dlouholetých zkušeností. Dnešní možnosti ovšem u takto předem naprogramovaných a naučených algoritmů nekončí a je možné vytvořit algoritmy, které se učí přímo při provozu. Výhodou předloženého přístupu v porovnání s pevně naučeným algoritmem je právě možnost získat návrhy korekcí za účelem změny chování převodovky v celé mechanické soustavě. Ty mohou mít přímý vliv na chování vstupní hřídele a spojky, jako je ustavení, dále na upevnění převodovky k rámu či betonu a v neposlední řadě na rezonance a torzní kmitání celé soustavy vlivem nestability zatížení.

Klasifikace stavu převodovky pomocí algoritmu Machine Learningu

Algoritmy Machine Learningu se používají obecně pro zpracování dat. Tento nástroj je možné vyhledat v softwaru MATLAB, kde je pro zpracování reálného případu příjemné uživatelské prostředí. Pod nástroje Machine Learningu patří klasifikace dat, zpracování velkých dat a regrese. Pro účel vibrodiagnostiky se jeví jako nejvhodnější klasifikace. V našem reálném případě byly zvoleny tyto parametry, na základě kterých bude prováděna klasifikace:

  • RMS hodnota zrychlení z frekvenčního rozsahu 2–10000 Hz;
  • špičková hodnota zrychlení ze stejného frekvenčního rozsahu;
  • Crest faktor;
  • špičatost naměřeného souboru dat;
  • šikmost naměřeného souboru dat.

RMS hodnota rychlosti dle normy ISO 28016-9 není zařazena do klasifikace pomocí Machine Learningu, ale je posuzována samostatně podle limitů v normě. Tato hodnota reaguje především na poruchy z pohledu uvolnění dílců, na nevývahu, nesouosost a dále na poruchy ozubení a ložisek v pokročilém stadiu, proto není plně dostačující pro prediktivní, popř. proaktivní údržbu. Pro detailnější pohled na zdroj vibrací v FFT spektru v jednotkách rychlosti je vhodný algoritmus Deep Learningu, který bude popsán v následující kapitole.

Pro autonomní zpracování dat, kde bude výsledkem klasifikace naměřeného časového signálu, je nutné nejprve zpracovat tabulku s uvedenými parametry ze známých naměřených dat a přiřadit k nim odpovídající klasifikační stupeň. Takto probíhá učicí proces; čím více těchto známých dat je k dispozici, tím kvalitněji je algoritmus naučen data správně klasifikovat. Na obrázku 2 je naznačen postup ve dvou krocích. Většina zákazníků, kteří vyžadují výsledky z takto zpracovaných dat, chce pouze 3 klasifikační stupně, a to stroj (převodovka) bez poruchy, začínající porucha a omezení provozu, popř. stop stav. Takto koncipovaný algoritmus je schopen zachytit všechny základní druhy poškození ozubení a poruchy ložisek podle otáček hřídele. Ložiska s otáčkami nad 300 ot./min jsou snáze zachytitelná takovýmto algoritmem a pro nízké otáčky na ložiscích je nutné ještě přiřadit další algoritmy s možností porovnávání FFT spekter zrychlení ve frekvenčním rozsahu vyšším než 10 kHz.

2Obrázek 2: Funkční schéma

Algoritmus nástroje Machine Learningu zahrnuje také oddělení periodického a neperiodického rázového chování. V současnosti řada monitorovacích zařízení posílá zbytečné alarmy v případech, kdy se do naměřených hodnot dostane ráz z externích zdrojů, třeba při práci s kladivem (obrázek 3 dole). Například u mixérů, extruderů nebo lisů dochází v technologickém procesu k častým rázům, které opět nejsou periodické, ale navyšují hodnoty v trendech. Takovýto stav musí být buď pomocí statistických funkcí, nebo filtrů vstupních dat oddělen.      

3Obrázek 3: Příklady sledovaných časových signálů

Ve fázi, kdy je vypracovaná odpovídající tabulka v MS Excel s vyplněnými danými parametry pro učení pro známé případy naměřených dat, následuje ještě další krok, a to výběr vhodného matematického algoritmu. Ve výběru, který má např. software MATLAB, jsou algoritmy od jednoduchých stromových algoritmů až po nelineární kubické algoritmy (obrázek 4). Pro náš konkrétní případ se nejlépe chovaly algoritmy KNN medium a Cubic KNN s přesností odhadu klasifikace 94,7 %. Tato přesnost je dána nejen výběrem typu algoritmu, ale i učicími daty v excelovské tabulce. V případě dalšího vhodného doplňování dat pro naučení je možné dosáhnout i 100% přesnosti. Na obrázku 5 je vidět výsledek vnitřního prověření přesnosti klasifikace algoritmu.

Jelikož jsou všechna pole zelené barvy, nedošlo ke špatnému klasifikačnímu zařazení.

4Obrázek 4: Výběr vhodného algoritmu

03 05Obrázek 5: Prověření správnosti algoritmu

Klasifikace stavu převodovky pomocí nástroje Deep Learning

Algoritmy Deep Learningu pracují na bázi klasifikace obrazu. Postup je podobný jako u Machine Learningu, kde bylo nutné v prvním kroku naučit na známé databázi algoritmus a potom tento algoritmus klasifikoval nově zpracovaná data do stupňů poškození. V dnešní době jsou tyto algoritmy hojně využívány pro identifikaci osob nebo zvířat z kamerových obrazů, překážek při pohybu robotů atd. Tento algoritmus je možné využít také pro klasifikaci FFT spekter vibrací, spektrogramů, scalogramů, časových záznamů a tvarů orbit při hřídelovém kmitání. Pro použití takovéhoto nástroje je nutné nejprve vytvořit vlastní neuronovou síť (obrázek 6) nebo použít volně dostupné neuronové sítě, jako je např. alexnet, googlenet a další, jenže ty jsou zbytečně náročné na čas zpracování dat. Dále je nutné naměřená data zpracovat do podoby grafů, které se převedou na obrázek o předepsaném rozměru a počtu pixelů.

6Obrázek 6: Blokové schéma a proces učení vlastní neuronové sítě pro danou aplikaci

Na obrázku 7 je možné vidět ukázku typů FFT spekter pro identifikaci problémů na ložiscích. Zpravidla nová ložiska, která běží optimálně, nevytvářejí oblasti šumu ve spektru zrychlení. Algoritmus Deep Learningu je nutné naučit z obrázků spekter, jak vypadá nepoškozené ložisko a potom jak se postupně ve spektru vyvíjí porucha (obrázek 7). Tentýž princip lze použít i pro další druhy zobrazení naměřených vibrací. Na obrázku 8 je možné vidět klasifikace pracovních cyklů ze spektrogramů s grafem, který ukazuje skóre daného obrázku vůči dalším variantám klasifikace.  

7Obrázek 7: Příklady oříznutých obrázků FFT spekter při klasifikaci

Při navrhování souboru obrázků grafů učicího algoritmu je nutné brát ohled na správnou volbu počtu intervalů vývoje poruchy, aby se algoritmus při aproximacích mezi jednotlivými stupni vývoje nedopouštěl velké chyby. V případě algoritmů Deep Learningu se nabízí možnost mít klasifikaci poruch do více tříd než u Machine Learningu, protože je možné se už více zaměřit na určitý druh poruchy na konkrétním ložisku nebo ozubení.

8Obrázek 8: Příklady spektrogramů se zobrazeným skóre

Závěr

  • Použití algoritmů Machine Learningu a Deep Learningu umožňuje ušetřit lidské kapacity při on-line dozoru monitoringů.
  • Přesnost těchto algoritmů závisí na velikosti souboru dat pro učení, na kvalitě nastavení neuronové sítě a v neposlední řadě na schopnostech učitele.

Jak už bylo uvedeno výše, algoritmy Machine Learnig i Deep Learning umožní autonomní vyhodnocování poruch převodovky nejen pro správné spouštění alarmů, ale i pro predikci poškození, včetně správné lokalizace.  Nad vyhodnocováním poruch musela bez těchto algoritmů v minulosti sedět řada odborníků dlouhé hodiny, což se dnes postupně může přesunout do pozice, kdy tito odborníci nastaví autonomní systém vyhodnocování a mohou být použiti na další odbornou práci. Samozřejmě k takovéto situaci bude zapotřebí ještě několik kroků vývoje, protože poruchy mechanických komponent jsou většinou únavového charakteru a každá takováto porucha má svůj specifický vývoj podle zátěžových provozních cyklů, které se ještě navíc mohou v čase různě měnit.

Použitá literatura

www.mathwork.com, MATLAB Documentation-Math Works, 2019
A. A. Pinheivo, I. M. Brandao, C. da Costa: Vibration Analysis of Rotary Machines Using Machine Learning Techniques, European Journal of Engineering Research and Science, Vol.4, February 2019

U. Ilič, B. Trojič, V. Lazič, F. Filipič: Classification models of machine learning for vibration analysis of induction motor, Conference IcTRAN, Silver like, June 2019

Autorem článku je Jan KŘEPELA ze společnosti Wikov MGI.

Řízení a údržba průmyslového podniku

Časopis Řízení a údržba průmyslového podniku již přes 10 let patří mezi neodmyslitelný zdroj informací v oblasti průmyslové údržby a diagnostiky. Část obsahu je z pera licenčních autorů Plant Engineering z USA.

www.udrzbapodniku.cz