March 24, 2022
Danfossin sähkömoottoreihin ja taajuusmuuttajiin kehitettiin laakerien vikoja havaitsevia neuroverkkoja
Testipenkki havainnollistaa, miten taajuusmuuttajista saadaan sähkömoottorin toiminnasta reaaliaikaista tietoa. Kuva Danfoss.
Danfossin taajuusmuuttajia käytetään teollisissa prosesseissa, joissa tarvitaan pyörivää liikettä. Taajuusmuuttajista saadaan sähkömoottorin toiminnasta reaaliaikaista tietoa, jonka avulla pysytään tarkkailemaan ympäröiviä toimintoja. Näin taajuusmuuttajaa voidaan hyödyntää anturina, jonka avulla voidaan kerätä dataa sekä kehittää siihen perustuvia toimintoja ja digitaalisia palveluita prosessien optimoimiseksi.
”Tehokkaan kunnonvalvonnan avulla viat havaitaan ja diagnosoidaan varhaisessa vaiheessa. Näin toimintoja pystytään ylläpitämään luotettavasti ja odottamattomat häiriötekijät pysytään minimoimaan, niin että käyttökustannukset pysyvät alhaisina ja tuottavuus paranee”, Danfossin Software Adviser Juha Kuusela kertoo.
Varsinkin laakereihin liittyviä vikoja on vaikea havaita luotettavasti. Danfoss on kehittänyt InDEx-ohjelmassa yhdessä Tampereen yliopiston kanssa entistä täsmällisempiä tekoälyyn pohjautuvia menetelmiä laakerivikojen havaitsemiseksi.
Vähäisellä datalla ja laskentateholla toimiva malli
Teollisuudessa käytettävien koneiden ja prosessien viat ovat usein sovelluskohtaisia, mutta esimerkiksi syöttöverkkoon, taajuusmuuttajiin ja ohjattaviin moottoreihin liittyvät ongelmat ovat yleensä hyvin samankaltaisia. Moottoreissa yleiset ongelmat liittyvät vuotovirtoihin, johdotukseen ja laakereihin. Näistä yleisimpiä ovat laakeriviat. Niiden havaitsemiseksi on kehitetty koneoppimiseen perustuvia datapohjaisia syväoppimismalleja.
Hyvistä tuloksista huolimatta mallit ovat kuitenkin olleet liian kalliita käyttää. Syväoppimiseen vaaditaan paljon luokiteltua dataa. Sen käsittely vaatii suuria laskentatehoja ja sitä on siksi vaikea käyttää reaaliaikaisesti. Danfossin ja Tampereen yliopiston kehittämä neuroverkkopohjainen malli toimii mahdollisimman vähällä datamäärällä, eikä se vaadi suurta laskentatehoa toimiakseen reaaliaikaisesti. Mallin avulla pystytään erottamaan erityisesti keskisuuria ja suuria vikoja.
InDEx-ohjelma digitalisoi teollisuutta
DIMECCin InDEx-ohjelma (Industrial Data Excellence) keskittyy digitalisoimaan Suomen teollisuutta ja rakentamaan datayhteisöä sekä yhteistä data-alustaa. Ohjelmaan osallistuvat Konecranes, Danfoss, Elekmerk, Fastems, HT Laser, PrimaPower, Raute, SSAB ja TietoEVRY. Akateemisia kumppaneita ovat Aalto-yliopisto, Tampereen yliopisto, Turun yliopisto, Helsingin yliopisto, Jyväskylän yliopisto ja VTT. InDEx-ohjelman rahoittavat Business Finland ja ohjelmaan osallistuvat yritykset yhdessä. Se on Finnish Advanced Manufacturing Networkin (FAMN) kehityshanke.
LISÄTIETOJA
InDEx-ohjelman päällikkö tohtori Seppo Tikkanen, seppo.tikkanen@dimecc.com, +358 40 840 2780
Kuvateksti:
Tutkimukseen liittyvä julkaisu: Turker Ince, Junaid Malik, Ozer Can Devecioglu, Serkan Kiranyaz, Onur Avci, Levent Eren, Moncef Gabbouj, “Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks,” IEEE Access, 2021. https://ieeexplore.ieee.org/abstract/document/9558835
