1. Inleiding: Predictief onderhoud op basis van AI voor heterogene MRO-omgevingen
Het industriële landschap van de 21e eeuw wordt gekenmerkt door een breed scala aan machines, elk met unieke operationele profielen en onderhoudsvereisten. Traditionele strategieën voor predictief onderhoud (PdM) zijn effectief, maar vereisen vaak een uitgebreide verzameling van gegevens en modellentraining voor elk individueel actief. Deze gefragmenteerde benadering is economisch en praktisch niet haalbaar in installaties met honderden of duizenden heterogene machines. UNITEC-D GmbH, als leider in industriële MRO, erkent de kritieke behoefte aan schaalbare, efficiënte en gegevensgedreven oplossingen.
Dit artikel legt de toepassing van overdrachtleren - een geavanceerde tak van kunstmatige intelligentie en machine learning - uit om de modellen voor trillingsanalyse te verbeteren, waardoor ze kunnen worden aangepast aan verschillende soorten machines in onderhouds-, reparatie- en operationele (MRO) activiteiten. Het hoofdprobleem dat wordt aangepakt, is de hoge kosten en de tijd die nodig is om aangepaste AI-modellen te trainen voor elke variant van een pomp, motor of versnellingsbak. Overdrachtleren biedt een solide kader om de kennis die is opgedaan uit machines met een grote hoeveelheid gegevens te benutten, om zo de modellering van activa met weinig gegevens of recente implementatie te informeren en te versnellen, waardoor een grotere operationele efficiëntie en een hoger rendement op investering (ROI) wordt behaald.
2. Hoe het werkt: Overdrachtleren voor trillingsanalyse
In wezen is overdrachtleren de methodologie die bestaat uit het nemen van een pre-getraind model, ontwikkeld voor een taak waarvoor er een overvloed aan gegevens is, en het opnieuw gebruiken als startpunt voor een nieuwe, verwante taak waarvoor de gegevens mogelijk beperkt zijn. Voor trillingsanalyse vertaalt dit zich in:
- Pre-training in de bron domein: Een diep leer model, meestal een convolutioneel neuronaal netwerk (CNN) of een recurrent neuronaal netwerk (RNN) ontworpen voor tijdsreeksanalyse, wordt getraind met een uitgebreide en goed geannoteerde dataset van trillingshandtekeningen van een specifiek type industriële machine (bijv. een vloot identieke centrifugale pompen). Deze initiële training stelt het model in staat om fundamentele kenmerken te leren die het mechanische staat aanduiden, zoals karakteristieke frequenties, amplitude-modulaties en spectrale patronen geassocieerd met veelvoorkomende fouten (bijv. onevenwichtigheid, uitlijning, slijtage van lagers).
- Kenmerkextractie / Fijnafstemming: Eenmaal het basis model getraind is, kunnen de geleerde representaties (gewichten en biases in de eerste lagen, die generieke kenmerken detecteren) "overgedragen" worden naar een doeldomein.
- Kenmerkextractie: De initiële lagen van het pre-getrainde model worden gebruikt als vaste kenmerkextractor. De unieke trillingsgegevens van een nieuwe machinetype (bijv. een reductiebak) worden in deze lagen ingevoerd en alleen een kleine, nieuwe classificatielaag wordt getraind op de geëxtraheerde kenmerken. Dit is geschikt wanneer de bron- en doeltaak zeer vergelijkbaar zijn.
- Fijnafstemming: Een veelvoorkomende aanpak in PdM bestaat uit het nemen van het complete pre-getrainde model en het voortzetten van de training (fijnafstemming) met een kleinere dataset van het doelmachinetype. Het is essentieel dat het leer tempo van de eerste lagen lager is dan dat van de latere lagen, waardoor het model zijn fundamentele kennis subtiel kan aanpassen terwijl het de eigenaardigheden van de nieuwe machine leert. Dit voorkomt het catastrofale vergeten van de waardevolle, gegeneraliseerde kenmerken.
Dit proces vermindert aanzienlijk de hoeveelheid nieuwe gegevens die nodig zijn en de berekenings tijd voor de convergentie van het model, waardoor een nauwkeurige detectie en classificatie van fouten veel sneller wordt behaald dan wanneer een model van scratch getraind zou worden. Bijvoorbeeld, een model dat aanvankelijk getraind is met trillingsgegevens conform de ISO 10816-3 norm van 50 uniforme inductiemotoren, kan effectief worden aangepast om afwijkingen te voorspellen in een enkele, andere inductiemotor, van verschillende vermogen of fabrikant, zolang er een kleinere, representatieve dataset beschikbaar is voor fijnafstemming.
3. Gegevensvereisten: De basis van slim MRO
De effectiviteit van overdrachtleren in trillingsanalyse is intrinsiek verbonden met de kwaliteit en beschikbaarheid van de gegevens. De volgende gegevenskenmerken zijn van primordiaal belang:
- Type: Drievoudige versnellingsgegevens van hoge frequentie, verkregen met industriële versnellingsmeters (bijv. die voldoen aan de ISO 2954 of ANSI S2.47 normen). Aanvullende gegevens, zoals motorstroomhandtekeninganalyse (MCSA), temperatuur, druk en operationele parameters (RPM, belasting), kunnen de gegevensset aanzienlijk verrijken.
- Kwaliteit: De integriteit van de gegevens is fundamenteel. Dit omvat een verzameling met lage ruis, consistente bemonsteringsfrequenties (bijv. 25,6 kHz om trillingsfrequenties in lagers tot 10 kHz te detecteren) en een nauwkeurige tijdsregistratie. Anomalieën in de gegevens als gevolg van een slechte sensorprestatie of inadequate installatie moeten worden geïdentificeerd en gecorrigeerd.
- Volume: Voor pre-training in de bron domein zijn grote datasets ideaal die bestaan uit miljoenen datapunten in diverse operationele staten (normaal, beginnende fout, catastrofale fout). Voor fijnafstemming in de doeldomein is een kleinere, maar nog steeds representatieve dataset vereist. Een minimum van 50 tot 100 foutinstanties voor de belangrijkste modi per machinetype, aangevuld met overvloedige gegevens van correcte werking, biedt een solide basis.
- Formaat: De gegevens moeten worden gestandaardiseerd en opgeslagen in formaten zoals HDF5, Apache Parquet of CSV-bestanden die gemakkelijk kunnen worden gebruikt. Metagegevens, die de machinenaam, sensortype, tijdstempel, operationele omstandigheden en door experts gevalideerde foutlabels omvatten, zijn cruciaal voor effectieve modeltraining en -evaluatie. Het voldoen aan de ISA-95 norm of soortgelijke standaarden voor gegevenscontextualisatie vergemakkelijkt integratie.
4. Implementatiearchitectuur: Van sensor tot informatie
Een robuuste architectuur voor kwaliteitsgestuurde productie op basis van AI die overdrachtleren gebruikt, omvat verschillende technologische lagen:
Sensors → Edge Computing → Cloud Platform → AI Model → Actionable Insights
- Sensoren: Op kritieke activa worden industriële versnellingsmeters met UL/CSA-certificering (bijv. piezokeramisch, gebaseerd op MEMS) gebruikt, die voldoen aan montage standaarden zoals de ISO 10816 norm
