Hämäläinen Aleksanteri: Datatehokkaiden ja hyvin yleistyvien syväoppimismallien kehitys pyörivien koneiden kunnonvalvontaan: 5000 eur (2025)

Pyörivät koneet, kuten sähkömoottorit ja turbiinit, kuluttavat ja tuottavat merkittävän osan maailman sähköstä. Niiden tehokas kunnonvalvonta onkin avainasemassa niin teollisuuden kustannussäästöjen kuin ympäristötavoitteiden kannalta. Walter Ahlströmin säätiön tukemassa julkaisussani ”Rapid Deployment of Deep Learning-Based Condition Monitoring for Rotating Machines” (IEEE Access, 2025) olemme kehittäneet uuden syväoppimiseen ja prototyyppisiin verkkoihin perustuvan Rapid-FSCM -menetelmän. Menetelmä on tärkeä askel kohti älykästä kunnonvalvontaa, jossa otetaan teollisuuden tarpeet ja realiteetit paremmin huomioon kuin puhtaasti laboratorio-olosuhteisiin keskittyvässä tutkimuksessa. Yksi keskeisimmistä käytännön ongelmista on, että syväoppiminen vaatii merkittäviä määriä koulutusaineistoa tunnistettavista vioista. Tätä aineistoa ei tietenkään ole saatavilla uusista ja uudehkoista koneista, eikä välttämättä tule olemaan vuosiin. Yleisiä esimerkkejä samanlaisista vioista, kuten laakeri- ja vaihdevioista, kuitenkin löytyy lähes varmasti, sillä varsinkin laakereita on käytännössä kaikissa pyörivissä koneissa. Kehittämämme Rapid-FSCM -menetelmä mahdollistaa tämän muista koneista saadun laajan koulutusaineiston yhdistämisen pieneen määrään esimerkkejä kohdekoneesta, jolloin älykäs vikadiagnostiikka voidaan ottaa käyttöön huomattavasti aikaisemmin. Lisäksi menetelmää voidaan saumattomasti hyödyntää poikkeamien havaitsemiseen jo ennen kuin kohdekoneesta on lainkaan vikaesimerkkejä, jolloin osittainen hyöty saavutetaan mille tahansa uudelle koneelle lähes välittömästi. Tämän tutkimuksen meneillään olevan seuraavan vaiheen tavoite on kokonaan poistaa tarve kerätä vikaesimerkkejä jokaisesta koneesta erikseen. Yhdistämällä tällä alalla liian usein sivuutettu perinteisen koneenrakennusosaamisen ymmärrys fysiikasta datapohjaiseen oppimiseen voimme siirtyä konekohtaisista ratkaisuista koneriippumatomaan diagnostiikkaan. Näin sama malli kykenee tunnistamaan hampaan halkeaman missä tahansa hammaspyörässä yhden tietyn koneen yhden tietyn hammaspyörän sijaan.