Väitös, sähkömekaniikka, MSc Md Masum Billah

Väitöskirjan nimi: Data Augmentation Methods for the Simulation of Energy Conversion Devices.

Väittelijä: Md Masum Billah
Vastaväittäjä: Prof. Pia Lindh, LUT-yliopisto
Kustos: Prof. Anouar Belahcen, Aalto-yliopiston sähkötekniikan korkeakoulu

Sähkömoottorit ovat olennainen osa nykyaikaista teollisuutta, sillä niitä käytetään monenlaisten koneiden ja laitteiden voimanlähteenä muun muassa valmistusteollisuudessa, kaivostoiminnassa ja monissa muissa sovelluksissa. Moottorien odottamattomat vikaantumiset voivat keskeyttää tuotannon, kasvattaa kunnossapitokustannuksia ja vaurioittaa laitteita. Koneoppiminen voi auttaa havaitsemaan vikoja ennen kuin ne johtavat vakaviin ongelmiin. Luotettavien diagnostiikkajärjestelmien kehittäminen edellyttää kuitenkin dataa erilaisista käyttöolosuhteista ja erityyppisistä vioista. Tällaisen datan kerääminen kokeellisesti voi olla kallista ja aikaa vievää, eivätkä tietokonesimulaatiot aina vastaa tarkasti todellisia mittaustuloksia.

Tässä väitöskirjassa tutkitaan menetelmiä synteettisen datan tuottamiseen koneoppimiseen perustuvan vikadiagnostiikan parantamiseksi epätahtikoneissa, jotka ovat laajalti käytettyjä sähkömoottoreita. Tavoitteena on vähentää laajojen kokeellisten mittausten tarvetta ja parantaa diagnostiikkamallien kykyä tunnistaa vikoja myös sellaisissa käyttöolosuhteissa, joita ei ole edustettuina niiden opetusdatassa.

Tutkimuksessa yhdistetään tietokonesimulaatioita, kokeellisia mittauksia, tilastollisia menetelmiä ja tekoälyä uuden opetusdatan tuottamiseksi. Siinä tarkastellaan, miten fysikaalisiin simulaatioihin liittyvät epävarmuudet vaikuttavat vikadiagnostiikkaan, ja kehitetään menetelmiä realististen, vikoihin liittyvien piirteiden ja sähkövirran signaalien tuottamiseen.

Tulokset viittaavat siihen, että huolellisesti tuotettu synteettinen data voi parantaa vikojen luokittelua erityisesti silloin, kun diagnostiikkamalleja sovelletaan käyttöolosuhteisiin, joista on saatavilla vain vähän kokeellista dataa tai ei lainkaan mittausdataa. Tutkimus osoittaa myös, kuinka fysikaalisen mallinnuksen ja dataohjattujen menetelmien yhdistäminen voi auttaa kaventamaan simuloidun ja mitatun datan välistä eroa.

Tulokset edistävät dataa tehokkaasti hyödyntävien ja luotettavien koneoppimiseen perustuvien järjestelmien kehittämistä teollisuuden kunnonvalvontaan. Kehitetyt menetelmät voivat auttaa tutkijoita ja teollisuuden toimijoita rakentamaan toimintavarmempia vikojen tunnistusjärjestelmiä vähäisemmillä kokeellisilla mittauksilla. Pitkällä aikavälillä tällaiset järjestelmät voivat mahdollistaa vikojen aikaisemman havaitsemisen, paremmin perustellut kunnossapitopäätökset ja laitteiden paremman toimintavarmuuden.

Avainsanat: tekoäly, kunnonvalvonta, datan augmentointi, vikadiagnostiikka, epätahtikoneet, koneoppiminen, epävarmuuden kvantifiointi

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aalto-yliopiston riiputussivu

Yhteystiedot:
www.linkedin.com/in/mdmasumbillah123