G5 Artikkeliväitöskirja
Data-driven methods for diagnostics of rolling element bearings (2019)

Kansanaho, J. (2019). Data-driven methods for diagnostics of rolling element bearings [Doctoral dissertation]. Jyväskylän yliopisto. JYU dissertations, 151. http://urn.fi/URN:ISBN:978-951-39-7936-2

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Kansanaho, Jarno

eISBN: 978-951-39-7936-2

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2019

Sarjan numero: 151

Kirjan kokonaissivumäärä: 1 verkkoaineisto (75 sivua, 39 sivua useina numerointijaksoina, 17 numeroimatonta sivua)

Kustantaja: Jyväskylän yliopisto

Kustannuspaikka: Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://urn.fi/URN:ISBN:978-951-39-7936-2

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Tiivistelmä

Väitöskirjatyöni käsittelee vierintälaakerien kunnonvalvonnassa käytettäviä vikadiagnostiikka-algoritmeja sekä ohjelmistoarkkitehtuurisuunnittelua kyseisten tietoohjautuvien menetelmien näkökulmasta. Tutkimus aloitettiin kehittämällä menetelmiä, joilla analysoidaan ja voidaan havaita vierintälaakerien alkavat paikalliset viat värähtelymittauksia hyödyntämällä. Päätavoitteena oli löytää vierintälaakerien paikallisten vikojen aiheuttamat heikot värähtelyt. Konkreettisena tutkimustuloksena syntyi joustava simulaattori laakerivikojen värähtelyanalyysille ja värähtelyanalyysimenetelmien arviointiin sekä spline-väreitä hyödyntävä algoritmi vierintälaakerivian havaitsemiseen. Vierintälaakerin vaurio suurenee, jos konetta käytetään edelleen, eikä laakeria ei vaihdeta. Vierintälaakerin vaurion etenemisen vaiheiden tunnistaminen on hyödyllistä vian vakavuuden arvioinnissa ja jäljellä olevan käyttöiän ennustamisessa. Tutkimuksessa sovellettiin valvomatonta oppimismenetelmää vierintälaakerin elinkaaren vaiheiden havaitsemiseksi värähtelysignaaleista. Valvomattoman menetelmän tulosta hyödynnettiin varhaisen laakerivian havainnoinnissa ohjattujen menetelmien avulla. Viallisen vierintälaakerin vian vakavuuden arviointi voi olla hyvin haastavaa, erityisesti värähtelymittauksia käytettäessä. Tällöin piirreirrotus värähtelysignaaleista on välttämätöntä. Värähtelysignaalista laskettuja piirteitä on tutkittu ja niitä kehitetään laajasti. Piirteitä arvioidaan, kuinka hyvin niillä pystytään havainnoimaan laakerivika ja kuinka hyvin ne kuvaavat laakerivian vakavuuden tilaa tai sen elinkaaren vaiheita. Tässä tutkimuksessa sovellettiin koneoppimismenetelmiä vian koon arviointiin. Tuloksena syntyi uusi menetelmä värähtelysignaalien piirteiden arvioimiseen sovellettaessa vian koon arviointiin instanssipohjaisia luokittimia. Tämän tutkimuksen viimeisessä osassa keskityttiin järjestelmätason suunnitteluun. Suunniteltu ohjelmistokehys kapseloi vikojen havaitsemisen ja jäljellä olevan käyttöiän arviointimenetelmät. Toteutettu ohjelmistokehys toimii osana tribotronista järjestelmää, jossa vierintälaakeri on tribologinen systeemi. Ohjelmistokehys tarjoaa mahdollisuuden laajentaa sen muihin tribologisiin systeemeihin.

YSO-asiasanat: laakerit; kunnonvalvonta; viat; värähtelyt; signaalianalyysi; algoritmit; koneoppiminen; sovelluskehykset; tribologia

Vapaat asiasanat: rolling element bearing; bearing diagnostics; vibration analysis; feature extraction; machine learning; tribological system; software framework

Liittyvät organisaatiot

OKM-raportointi: Kyllä

Raportointivuosi: 2019