Hämäläinen Aleksanteri: Datatehokkaiden ja hyvin yleistyviensyväoppimismallien 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.