Väitös konetekniikan alalta DI Jesse Miettinen

Vastaväittäjä professori Robert X. Gao, Case Western Reserve University, U.S.A.

Valvoja professori Raine Viitala, Aalto yliopisto, Insinööritieteiden korkeakoulu, konetekniikan laitos

Tekoälyn käyttö värähtelymittausten analysoinnissa voi vähentää kunnonvalvonnan työtaakkaa) Värähtelymittauksien avulla voidaan tuottaa informaatiota pyörivien koneiden toiminnasta ja vikaantuneista komponenteista huoltojen suunnittelua varten. Värähtelyn analysointi vaatii kuitenkin yhä paljon työtä kunnonvalvonnan ammattilaisilta. Viime vuosina useat tutkimukset ovat osoittaneet syväoppivat mallit lupaaviksi värähtelyanalyysin automatisointiin. Nämä mallit voidaan kouluttaa etsimään värähtelystä säännönmukaisia kuvioita. Valitettavasti värähtelyssä ilmenevät kuviot muuttuvat herkästi koneen pyörimisnopeuden, kuorman ja ympäristön mukaan. Muutokset värähtelyssä laskevat syväoppimismallien luotettavuutta varsinkin, jos malli on koulutettu vähäisellä värähtelydatalla. Syväoppimismallien luotettavuus on myös kärsinyt siitä, että niiden värähtelyanalyysejä on haastava ymmärtää. Näistä syistä syväoppimismallien soveltaminen teollisuudessa kunnonvalvontaan on harvinaista. Tämä väitöskirja esittää parhaita keinoja luotettavien syväoppimismallien kouluttamiseksi kunnonvalvontaan. Tutkimuksessa selvitettiin sopivimpia mittausjärjestelmiä, koulutusmenetelmiä sekä mallien rakenteita värähtelyanalyysin automatisoimiseksi. Tutkimuksen tulokset osoittavat, että koulutusdatana käytetyn värähtelyn tulee olla kerätty koneen tyypillisimmillä käyttönopeuksilla ja -kuormilla, jotta syväoppimismalli on tarkka koneen tyypillisen käytön aikana. Lisäksi tulokset näyttävät momenttianturien keräämän vääntövärähtelydatan olevan erittäin hyvä lähde syväoppiville malleille vikojen tunnistamista varten. Mallien tarkkuus myös kasvoi, jos koneen värähtelyä mitattiin useammalla anturilla, jotka keräsivät dataa samanaikaisesti. 1D konvoluutioon perustuvat mallit olivat tulosten perusteella erittäin tehokkaita aikasarjamuotoisen värähtelydatan analysoinnissa. Tutkimuksessa esitettiin myös keinoja kyseisten mallien päätösten perustelemiseksi ja näytettiin, että nämä mallit voivat oppia tunnistamaan vikoja oikeiden vikamuotojen perusteella. Tämän väitöskirjan tulokset ovat hyödyllisiä kaikille tutkimus- ja kehitysprojekteille syväoppimismallien soveltamiseksi värähtelyanalyysin automatisointiin.