Uczenie maszynowe w służbie predykcji stanu maszyn

Przykład PdM z użyciem uczenia maszynowego

Przekładnie zębate są powszechne w większości aplikacji napędowych, stanowiąc ważny element wielu linii produkcyjnych i ciągów technologicznych. Ze względu na ich powszechność istnieje możliwość zgromadzenia odpowiedniej ilości danych pomiarowych dla różnych stanów przekładni, w tym wielu stanów awaryjnych. W dobie Przemysłu 4.0 zbieranie i gromadzenie danych pomiarowych nie stanowi większego problemu. W przypadku monitorowania przekładni zasadny jest pomiar parametrów drgań, temperatury oraz prędkości obrotowej. Dodatkowo trzeba znać informacje o typie silnika i przekładni oraz przybliżone wartości zmiennych pomiarowych, jakie występują przy poprawnej pracy napędu. Celem zastosowania strategii predykcyjnej z zastosowaniem ML jest odpowiedź na pytania: ile i które przekładnie mogą ulec awarii w danym przedziale czasu (np.: miesiąc, 6 miesięcy, 12 miesięcy)? Jakiego typu niesprawności mogą wystąpić (uszkodzenie zęba, rozosiowanie, uszkodzenie łożyska itd.)?

Zastosowanie metod nadzorowanych ML wymaga w pierwszym kroku przygotowania danych uczących. Z tego względu, kiedy zidentyfikowane zostaje uszkodzenie, konieczne jest przypisanie wynikom pomiarów i analiz odpowiedniej etykiety. Etykietą może być identyfikator uszkodzenia, które wystąpiło, lub znany pozostały czas użytkowania (w przypadku etykietowania danych historycznych). Po pozyskaniu odpowiednio licznego zbioru uczącego możliwe jest nauczenie modelu, np. w postaci sieci neuronowej. Tak wytrenowany model można stosować do rozpoznawania wejść (wyników pomiarów), dla których etykieta (np. stan maszyny, występujące uszkodzenia lub pozostały czas poprawnej pracy) jest nieznana. W przypadku takiego podejścia ważne jest cykliczne douczanie modelu wraz z gromadzeniem coraz większej liczby danych opisujących stan maszyny. Dzięki temu ...