Print

Ukázka využití strojového učení ve vibrodiagnostice

-- 10.12.2018

Example of utilization of machine learning in vibrodiagnostics

Anotace

Článek se zabývá možností využití strojového učení ve vibrodiagnostice pro určení typu závady rotačního stroje. Zdrojem dat jsou reálná naměřená data z vibrodiagnostického modelu; tento model umožňuje simulovat některé typy závad. Data jsou následně zpracována a redukována pro použití v aplikaci Matlab Classification Learner app, která vytvoří model pro rozpoznání závad. Model z Matlabu je nakonec otestován na novém vzorku dat. Cílem článku je ověřit schopnost rozpoznávat závady rotačních strojů z reálného měření.

Abstract

The article deals with the possibility of using machine learning in vibrodiagnostics to determine the type of fault of rotating machine. The data source are real measured data from the vibrodiagnostic model, this model allows simulation of some types of faults.. The data is then processed and reduced for the use of the Matlab Classification learner app, which creates a model for recognizing faults. The model is ultimately tested on a new sample of data. The aim of the article is to verify the ability to recognize similarly rotary machine faults from real measurements in time domain.

1. Úvod

Příchod Průmyslu 4.0 vyžaduje zavádění nových metod do klasických oblastí strojírenství, jako jsou například autonomní nebo prediktivní prvky v diagnostice. S přesunem mnoha činností z člověka na stroje je právě oblast diagnostiky a včasného zásahu důležitým faktorem pro zamezení nejen ekonomickým ztrátám (odstávka/havárie), ale i ztrátám na zdraví člověka (důsledek poruchy/havárie).

Článek se bude zabývat nasazením umělé inteligence do oblasti vibrodiagnostiky, a to konkrétně určením závady rotačního stroje na základě naměřeného vzorku dat v časové oblasti. Data jsou získávána ze dvou MEMS (MicroElectroMechanical Systems) akcelerometrů ADXL335 [6], jež jsou umístěny na stojanech ložisek (pozice 1 a 2), viz obr. 2. Jedná se o analogový tříosý akcelerometr; výstupní signál je zpracován měřicí kartou NI USB-6009 [7] s nastavením 2 kHz vzorkovací frekvence a 1 000 vzorků. Díky použitému modelu vibrací jsou simulovány statická nevývaha a dynamická nevývaha ve dvou úrovních a jsou porovnány s bezporuchovým stavem. Základní vlastnosti použitých přístrojů jsou následující.

Základní vlastnosti snímače [6] : 

  • měřicí rozsah: 3 g
  • frekvenční rozsah pro osu X a Y: 0,5 Hz až 1 600 Hz
  • frekvenční rozsah pro osu Z: 0,5 Hz až 550 Hz 

Základní vlastnosti měřicí karty [7] : 

  • rozlišení ADC: 14 bit
  • vzorkovací frekvence: 48 kS/s
  • počet kanálů: 8 AI, 2 AO, 13 DIO

2. Simulace závad

Na použitém modelu, který je schematicky znázorněn na obr. 2, je možno bezpečně simulovat závady typu nevývaha. Vzhledem ke dvěma rovinám, kterými model disponuje, je možné simulovat jak nevývahu statickou, tak i dynamickou, jež se navzájem liší hlavně posunem fází signálu mezi stojany ložisek ve stejné ose [1], [2], [3]. Rozdíl v simulování dynamické a statické nevývahy je v umístění závaží do rotačních disků. Umístění závaží je znázorněno na obr. 3.

3. Rozdělení závad do klasifikačních tříd

Bylo zvoleno pět klasifikačních tříd, a to statická nevývaha při různé váze závaží, dynamická nevývaha při různé váze závaží a bezporuchový stav. Pří nižší nevývaze byla použita dvě závaží o hmotnosti 2,5 gramu a vyšší nevývahu zajistila závaží o hmotnosti 3,7 gramu. Jednotlivé třídy byly pojmenovány následovně: 

  • třída 1 „OKz obou kotoučů je odstraněno závaží, jedná se o bezporuchový stav;
  • třída 2 „ST1statická nevývaha 1, tj. do obou disků jsou umístěna závaží o hmotnosti 2,5 gramu dle obr. 3a;
  • třída 3 „DYN1dynamická nevývaha 1, tj. do obou disků jsou umístěna závaží o hmotnosti 2,5 gramu dle obr. 3b;
  • třída 4  „ST2statická nevývaha 2, tj. do obou disků jsou umístěna závaží o hmotnosti 3,7 gramu dle obr. 3a;
  • třída 5  „DYN2dynamická nevývaha v2, tj. do obou disků jsou umístěna závaží o hmotnosti 3,7 gramu dle obr 3b.

Závaží jsou umísťována vždy na montážní poloměr 60 mm. Průběhy jednotlivých poruch v jednotlivých osách jsou znázorněny na obr. 4.

4. Zpracování dat

Klasifikace vzorku dle jednotlivých závad je prováděna z naměřeného vzorku dat v časové oblasti (nikoli frekvenční), tak jak je možné reálně naměřit pomocí AD převodníku s vzorkovací frekvencí 2 ksps a počtem vzorků 1 000. Pro strojové učení je řádově tisíc hodnot zbytečně mnoho a je tedy potřeba data redukovat a vybrat vhodné ukazatele (to platí obecně pro jakýkoli problém, například i pro rozšířené zpracování obrazu). Tento signál je tedy následně zpracován, aby došlo k redukci předkládaných dat; k tomuto účelu byly použity následující funkce. 

  • RMS efektivní hodnota využívaná běžně ve vibrodiagnostice [1], [2], [3], [4], [5]; v tomto případě je použita funkce RMS();
  • STD standardní směrodatná odchylka; v tomto případě je použita funkce STD();
  • PCA analýza hlavních komponent (Principal Component Analysis PCA); v tomto případě je použita funkce PCA();
  • fázový posun – posun mezi dvěma signály; v tomto případě je použita funkce finddelay().

6. Volba klasifikátoru

Aplikace „Classication Learner App“ [8], [9] může otestovat připravená data pro různé klasifikační metody a vzájemně porovnat jejich úspěšnost. Uživatel pak vybere nejlepší pro vygenerování výsledného klasifikačního modelu. Experiment byl rozdělen na dvě varianty, a to měření pouze z jednoho místa jedním snímačem (varianta P1) a měření z obou míst současně (varianta P2). Toto rozdělení slouží k porovnání úspěšnosti klasifikace, pokud jsou získaná data pouze z jednoho snímače. Jako prediktory pro varianty P1 jsou použity RMSx, STDx, PCAx, RMSy, STDy, PCAy (obr. 5c), data byla tedy zredukována z Nx1000 na Nx6. Prediktory pro variantu P2 jsou RMS, STD, PCA pro obě polohy a osy a navíc použijeme i fázový posun FDy a FDx (obr. 5b), data byla tedy zredukována z Nx1000 na Nx14. Jak jsou obě varianty úspěšné, najdeme v tab. 1. Nejlepší výsledek pro variantu P1 byl dosažen metodou „Linear SVM“ (Support Vector Machines), kde míra úspěšnosti klasifikace dosáhla 90,2 % (tab.1); tento model byl také vybrán pro výsledný klasifikátor. Většina metod pro variantu P2 dosáhla 100% úspěšnosti (tab. 1). Byl vybrán stejný model jako pro variantu P1 (Linear SVM).

7. Ověření klasifikačního modelu

Vygenerovaný klasifikační model (klasifikátor) byl otestován na novém balíku dat, která obsahují 500 měření pro každou poruchu. Klasifikátor pro variantu P1 dosáhl úspěšnosti 91,08 % (2 277 správných předpovědí a 233 falešných) a klasifikátor pro variantu P2 dosáhl úspěšnosti 100 % (2 500 správných předpovědí a 0 falešných). Graficky jsou tyto výsledky zobrazeny na obr. 6 ve formě klasifikační matice (confusion matrix).

8. Závěr

Článek ověřil schopnost klasifikace poruch rotačního stroje z naměřených dat v časové oblasti; byly porovnávány tři stavy, a to bezporuchový stav, statická a dynamická nevývaha ve dvou různých úrovních. Dále byla vyhodnocena úspěšnost klasifikace za předpokladu snímání dat pouze jedním snímačem na jedné pozici (P1) a úspěšnost klasifikace za předpokladu snímání dvou pozic současně (P2); míru úspěšnosti shrnuje obr. 6, který tyto dvě varianty (pouze z jednoho snímače a ze dvou současně) porovnává. Budoucí experimenty budou obsahovat rušivé vlivy měření, jako je změna otáčkové frekvence nebo přidání dalších typů závad (například „uvolněný základ“, „nesouosost“ a další). Experiment bez rušivých vlivů vykazuje vysokou úspěšnost klasifikace, zejména u varianty, kde jsou k dispozici data ze dvou snímačů současně. 

Literatura

[1]   Broch, J. T. Mechanical Vibration and Shock Measurements. Naerum, Denmark (1984). ISBN 8787355361.

[2]   Blata, J. Juraszek, J. Metody technické diagnostiky, teorie a praxe. Metody diagnostyki technicznej, teoria i praktika. Ostrava: REPRONIS, s. r. o., 2013, 133 stran. ISBN 978-80-248-2997-5.

[3]   Zuth, D. Vdoleček, F. Měření vibrací ve vibrodiagnostice. Automa: časopis pro automatizační techniku. Praha: FCC Public. ISSN 12109592.

[4]   Sedenka, D. Blata, J. Kasiar, L. Heisig, L. Zarsky, V. Deployment of technical diagnostics during commissioning of small pumped storage hydropower plant. International Multidisciplinary Scientic Geo-Conference Surveying Geology and Mining Ecology Management, SGEM, 17 (42), 2017, pp. 175-182.

[5]   Vdoleček, F. Terminology in branch of measurement uncertainties [Terminologie v oboru nejistot meření].  Akustika, 16(1), pp. 40-42.(2012). ISSN 1801-9064.

[6]   ADXL335 Datasheet and Product Info - Analog Devices www.analog.com/en/products/sensors-mems/accelerometers/adxl335.html. [Online; accessed 20-Apr-2018]

[7]   USB-6009 - National Instruments www.ni.com/cs-cz/support/model.usb-6009.html. [Online; accessed 20-Apr-2018]

[8]   Statistics and Machine Learning Toolbox MathWorks Makers of MATLAB and Simulink https://ch.mathworks.com/help/stats/. [Online; accessed 20-Apr-2017]

[9]   Train models to classify data using supervised machine learning - MathWorks - Makers of MATLAB and Simulink https://www.mathworks.com/help/stats/classi cationlearner-app.html. [Online; accessed 20-Apr-2017]

Recenzent: Ing. František Vdoleček, CSc., Vysoké učení technické v Brně, FSI; prezident ATD ČR, z. s.

Autor: Daniel ZUTH, VUT v Brně


Sponzorované odkazy

 
Aktuální vydání
Reklama

Navštivte rovněž

  •   Události  
  •   Katalog  

Události

Technology Days 2019
2019-06-17 - 2019-06-20
Místo: Výstavní a společenské centrum IDEON, Pardubice
Moderní technologie v potravinářství
2019-09-24 - 2019-09-24
Místo: Brno
Moderní technologie ve farmacii
2019-09-25 - 2019-09-25
Místo: Brno
Mezinárodní strojírenský veletrh 2019
2019-10-07 - 2019-10-11
Místo: Výstaviště Brno
MSV TOUR 2019
2019-10-07 - 2019-10-10
Místo: MSV, Brno

Katalog

Panasonic Electric Works Europe AG
Panasonic Electric Works Europe AG
Veveří 3163/111
616 00 Brno
tel. +420 541 217 001

Brady s.r.o
Brady s.r.o
Na Pantoch 18
831 06 Bratislava
tel. +421 2 3300 4862

ABB s.r.o.
ABB s.r.o.
Štětkova 1638/18
14000 Praha 4
tel. +420739552216

Schneider Electric CZ, s. r. o.
Schneider Electric CZ, s. r. o.
U Trezorky 921/2
158 00 Praha 5
tel. 00420737266673

všechny firmy
Reklama



Tematické newslettery






Anketa


Na horách/u moře
Na chalupě/chatě v tuzemsku
Co je to dovolená?

O nás   |   Reklama   |   Mapa stránek   |   Kontakt   |   Užitečné odkazy   |   Bezplatné zasílání   |   RSS   |   Partneři   |   Blogy   |   
Copyright © 2007-2019 Trade Media International s. r. o.
Navštivte naše další stránky
Trade Media International s. r. o. Trade Media International s. r. o. - Remote Marketing Továrna - vše o průmyslu Control Engineering Česko Řízení a údržba průmyslového podniku Inteligentní budovy Almanach produkce – katalog firem a produktů pro průmysl Konference TMI