Karhinen Aku: Syväoppimismallien yleistettävyyden kehittäminen värähtelypohjaisessa kunnonvalvonnassa.: 5000 eur (2025)

Pyörivät koneet ovat keskeinen osa nykymaailmaa: ne mahdollistavat kuljetusvälineiden voimansiirron, toimivat teollisuuden voimanlähteinä ja tuottavat suuren osan kaikesta sähköstä. Näiden koneiden toiminta perustuu kuluviksi suunniteltuihin osiin, kuten laakereihin ja vaihteisiin, joiden kuntoa valvotaan tyypillisesti värähtelymittauksilla. Värähtelysignaalien perusteella voidaan arvioida koneen kuntoa ja ajoittaa huoltotoimenpiteet ennakoivasti ja kustannustehokkaasti. Odottamattomat vikaantumiset sen sijaan voivat aiheuttaa merkittäviä taloudellisia menetyksiä. Esimerkiksi suurten teollisten polttomoottorien kunnonvalvonta on ratkaisevaa laitosten käytettävyyden, turvallisuuden ja energiatehokkuuden kannalta. Vaikka värähtelyanalyysin automatisointia koneoppimisen avulla on tutkittu pitkään, käytännön sovelluksia rajoittavat usein sekä mittalaitteiston korkeat kustannukset että todellisten vikaesimerkkien niukkuus. 

Artikkelissamme “Data-driven torsional vibration-based fault diagnosis of large internalcombustion engines without real fault data”(Engineering Applications of Artificial Intelligence) esittelemme Walter Ahlströmin säätiön rahoituksen avulla kehitetyn menetelmän, joka mahdollistaa sylinterikohtaisen vikadiagnostiikan 20-sylinterisessä teollisessa moottorissa pelkän yhden mittauspaikan avulla, jolloin tarvittavien antureiden määrä voidaan pienentää jopa kymmenistä yhteen. Keskeinen haaste on sama kuin monessa teollisessa syväoppimissovelluksessa: luotettavaa ja luokiteltua vikadataa ei käytännössä ole saatavilla, eikä vikoja voida turvallisesti tai kustannustehokkaasti ”tuottaa” mittauksia varten. Ratkaisumme perustuu simulaatiopohjaiseen koulutukseen sekä simulaation ja oikean maailman välisen eron kaventamiseen yhdistämällä erilaisia siirto-oppimisen tekniikoita. Tulokset osoittavat, että oikein valituilla kohdistus- ja regularisointikeinoilla voidaan päästä erittäin korkeaan vian havaitsemistarkkuuteen ja samalla ylläpitää vahvaa luokittelukykyä rajallisessa reaalimaailman validoinnissa, mikä tekee lähestymistavasta käytettävän teollisissa ympäristöissä. Julkaisun tutkimus on usean vuoden työn tulos yhteistyössä Wärtsilän kanssa. Lähtökohtana oli ongelma, jota pidettiin pitkään lähes ratkaisemattomana: kuinka rakentaa luotettava vikadiagnostiikka ilman todellista vikadataa. Walter Ahlströmin säätiön apuraha mahdollisti sen, että tähän kysymykseen voitiin paneutua pitkäjänteisesti, kokeilla useita lähestymistapoja ja kehittää simulaation sekä rajatun todellisen mittauksien yhdistämiseen perustuva menetelmä ideasta toimivaksi ratkaisuksi.