Oppiva menetelmä seuraa koneen kuntoa ja raportoi siitä käyttäjälle

Koneiden kuntoa valvotaan yleisesti analysoimalla sen aikaansaamaa mekaanista värähtelyä. Muutokset kunnossa ilmenevät muutoksina värähtelyn piirteissä, mutta aina se ei tarkoita vikaantumista.

–Tuulivoimalassa koneen värähtelykäyttäytyminen voi muuttua ulkoisten tekijöiden, kuten tuulen suunnan tai voimakkuuden vaikutuksesta, ilman muutosta koneen kunnossa, kertoo väitöskirjassaan tuulivoimaloiden valvontajärjestelmiä tarkastellut Lumme.

Koneiden normaalinkin kunnon tunnistaminen edellyttää mittaustulosten tarkkaa analysointia. Virheellisen diagnoosin seurauksena voi syntyä merkittäviä välillisiä vahinkoja tai tarpeettomia seisokkikustannuksia. Erilaisia tulkintamenettelyitä on käytettävissä, mutta ne ovat monesti yleisluontoisia - ja koneetkin ovat yksilöitä.

Etävalvonnan lisääntyessä kunnonvalvontaan liittyvää dataa kertyy aiempaa runsaammin. Esimerkiksi tutkimuksen kohteena olleista tuulivoimaloiden valvontajärjestelmistä analysoidaan uusi mittaussarja aina 90 minuutin välein. Kun valvottavia kohteita on paljon, syntyy mittaustietoa niin paljon, että sitä on vaikea hallita. Suurin osa tiedosta on vanhan toistoa. Veli Lumme esittää väitöskirjassaan jatkuvasti oppivan menetelmän, jonka avulla voidaan automaattisesti diagnosoida toistuvat ilmiöt koneissa.

–Neuroverkkojen avulla voidaan luoda järjestelmä, joka oppii tunnistamaan hyvässä kunnossa olevan koneen värähtelyn piirteet eri tuotanto-olosuhteissa.

Kun dataa on käytettävissä riittävästi, järjestelmän on helppo tunnistaa samankaltaiset piirteet ja ilmaista käyttäjälle koneen olevan edelleen hyvässä kunnossa. Ajan myötä saattaa piirteissä ilmetä sellaisia muutoksia, joita järjestelmä ei tunnista. Nämä saattavat liittyä vikatilaan, ja käyttäjää tulee informoida. Uudesta tilasta saatu data on arvokasta, sillä sitä voidaan käyttää järjestelmän uudelleen opettamiseen.

–Jos kyseessä oli vikatilanne, järjestelmä kykenee tämän jälkeen tunnistamaan saman tilan ja ilmoittamaan siitä käyttäjälle. Prosessi on jatkuva, kun järjestelmä oppii tunnistamaan yhä uusia normaaleja tiloja ja vikatiloja, Lumme toteaa.

Kaikkien koneiden ei tarvitse käydä läpi eri vikatiloja, jotta ne pystyttäisiin tunnistamaan. Väitöskirjassaan Lumme esittelee menettelyn, jossa vikatiloista tallennettu data voidaan hyödyntää kaikkien oleellisesti samankaltaisten koneiden diagnosoinnissa. Menetelmän luotettavuuden arvioimiseksi on suoritettu laaja kokeellinen tutkimus eri maailman kolkissa toimivien tuulivoimaloiden välillä.
 

Väitöstilaisuus maanantaina 10.12.
 

Diplomi-insinööri Veli Lummen kunnonvalvonnan alaan kuuluva väitöskirja Intelligent Interpretation of Machine Condition Data (Koneen kunnonvalvontatietojen älykäs tulkinta) tarkastetaan Tampereen teknillisen yliopiston (TTY) automaatio-, kone- ja materiaalitekniikan tiedekunnassa maanantaina 10.12.2012 kello 12 Konetalon salissa K1702 (Korkeakoulunkatu 6, Tampere).

Vastaväittäjinä toimivat professori Michael Pecht (University of Maryland) ja professori Heikki Koivo (Aalto University). Tilaisuutta valvoo professori Seppo Virtanen TTY:n konstruktiotekniikan laitokselta.

Veli Lumme (57) on kotoisin Lohjalta ja työskentelee tutkijana TTY:n konstruktiotekniikan laitoksella.

Lisätietoja: Veli Lumme, puh. 050 2731, veli.lumme@tut.fi
Väitöskirjaan voi tutustua osoitteessa http://urn.fi/URN:ISBN:978-952-15-2970-2