Teollisen tuotantolaitteiston pyörimisnopeuden määritys mitatusta värähtelynäytteestä koneoppimisen menetelmin
Huhta, Tommi (2022)
Huhta, Tommi
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022102821700
https://urn.fi/URN:NBN:fi:amk-2022102821700
Tiivistelmä
Taustaa: Teollisen laitteen käyntinopeus on olennainen tieto laitteiston toiminnan ja koneiden
kunnon valvomisessa. Sen voi mitata sisäisellä anturilla, mutta sellaisen asentaminen on usein vaikeaa, kallista tai mahdotonta, ja edellyttää jatkuvaan toimintaan suunnitellun prosessin pysäyttämistä. Siksi olisi hyödyllistä määrittää nopeus ulkoisen anturin tuottamasta datasta. Laitteen itsensä tai ympäristön aiheuttamien sivuäänten johdosta ratkaisu ei ole yksinkertainen. Tavoite: Tutkimuksessa pyrittiin selvittämään voiko pyörimisnopeuden selvittää koneoppimisen, erityisesti syväoppimisen avulla. Datana käytettiin tuhansia kiihtyvyysantureiden PCM-näytteitä erilaisista pumpuista, tuulettimista ja sähkömoottoreista. Menetelmät: Erilaisia näytteistä signaalinkäsittelyn menetelmin erotettuja syötteitä käytettiin opetusdatana neuroverkoille. Neuroverkkomalleja koottiin itse kokeilemalla kerroksia ja rakenteita sekä testattiin valmiita esikoulutettuja malleja. Ohjelmia esikäsittelyyn, mallien käsittelyyn, opetukseen ja evaluointiin kirjoitettiin Pythonilla. Tulokset: Erilaisista syötedatoista parhaimmat ennusteet saatiin spektrogrammeilla. Useimpien laitetyyppien ennusteiden virheiden keskihajonnaksi saatiin alle 40 kierrosta minuutissa mitatusta datasta, joka on 1...3 prosenttia tyypillisestä käyntinopeudesta. Kuitenkin huomattavan paljon ennusteita poikkesi mitatuista suuresti. Siten syötteiden erottaminen raakadatasta ja neuroverkkomalleissa vaatii kehittämistä ennen tulosten soveltamista tuotantoon.
kunnon valvomisessa. Sen voi mitata sisäisellä anturilla, mutta sellaisen asentaminen on usein vaikeaa, kallista tai mahdotonta, ja edellyttää jatkuvaan toimintaan suunnitellun prosessin pysäyttämistä. Siksi olisi hyödyllistä määrittää nopeus ulkoisen anturin tuottamasta datasta. Laitteen itsensä tai ympäristön aiheuttamien sivuäänten johdosta ratkaisu ei ole yksinkertainen. Tavoite: Tutkimuksessa pyrittiin selvittämään voiko pyörimisnopeuden selvittää koneoppimisen, erityisesti syväoppimisen avulla. Datana käytettiin tuhansia kiihtyvyysantureiden PCM-näytteitä erilaisista pumpuista, tuulettimista ja sähkömoottoreista. Menetelmät: Erilaisia näytteistä signaalinkäsittelyn menetelmin erotettuja syötteitä käytettiin opetusdatana neuroverkoille. Neuroverkkomalleja koottiin itse kokeilemalla kerroksia ja rakenteita sekä testattiin valmiita esikoulutettuja malleja. Ohjelmia esikäsittelyyn, mallien käsittelyyn, opetukseen ja evaluointiin kirjoitettiin Pythonilla. Tulokset: Erilaisista syötedatoista parhaimmat ennusteet saatiin spektrogrammeilla. Useimpien laitetyyppien ennusteiden virheiden keskihajonnaksi saatiin alle 40 kierrosta minuutissa mitatusta datasta, joka on 1...3 prosenttia tyypillisestä käyntinopeudesta. Kuitenkin huomattavan paljon ennusteita poikkesi mitatuista suuresti. Siten syötteiden erottaminen raakadatasta ja neuroverkkomalleissa vaatii kehittämistä ennen tulosten soveltamista tuotantoon.