Voorbij het geruis: Het potentieel van akoestische monitoring
Het monitoren van roterende machines, en in het bijzonder kogellagers, is een populair en veel onderzocht onderwerp op het gebied van voorspellend onderhoud (predictive maintenance). Bij Flanders Make werken we al heel lang aan deze uitdaging, in verschillende projecten gedurende vele jaren. In ons onderzoek ontwikkelden we algoritmen voor op trillingen gebaseerd voorspellend onderhoud (vibration monitoring) en een dataset van lagerfouten gecreëerd.
In ons nieuwste project hebben we ons gericht op akoestische signalen in plaats van trillingssignalen om afwijkingen in lagers te detecteren. Het uitgangspunt was dat akoestische monitoring een potentieel goedkopere manier is om assets te monitoren, maar nog niet robuust genoeg is gebleken voor de meeste gebruikssituaties. De uitdaging ligt in het succesvol detecteren van afwijkingen zonder valse positieven te genereren. Concreet hebben wij ons gericht op:
- Het elimineren van ongewenste interferentie door achtergrondgeluiden.
- Het versnellen van de ontwikkeling van een gelabelde dataset van anomaliën.
Door deze uitdagingen te overwinnen, kunnen we gemakkelijk de kennis uit vibration monitoring overbrengen naar het akoestische domein. Kenmerken waarvan bekend is dat ze indicatief zijn voor bepaalde soorten storingen, vertalen zich één-op-één naar het akoestische domein, waardoor het enorme potentieel van akoestische monitoring voor voorspellend onderhoud wordt ontsloten.
Ruisreductie
Of we nu trillingen of geluid monitoren: we proberen hetzelfde fysieke signaal te registreren dat wordt gegenereerd door een lagerfout. We weten op welke kenmerken of frequenties we moeten letten, maar de moeilijkheid bij akoestische monitoring is het verminderen van ruis.
Deze grafieken tonen de gekwadrateerde omhullende spectrums van (1) een versnellingsmeter (trillingsmonitoring) en (2) een microfoonsignaal (akoestische monitoring). Bij trillingsmonitoring zijn de foutfrequenties duidelijk te onderscheiden, maar bij akoestische monitoring liggen de foutfrequenties veel dichter bij de geluidsvloer.
Het verminderen van ongewenst geluid, zoals achtergrondgeluid, zonder de installatie overdreven complex te maken, is van cruciaal belang om akoestische monitoring haalbaar te maken voor de industrie. We hebben een strategie ontwikkeld voor geluidsbewuste afvlakking (noise-aware smoothing), waarbij we ons richten op wat we 'akoestische verstoringen' noemen: korte akoestische gebeurtenissen die niet afkomstig zijn van de lagers die worden gemonitord.
De eerste manier waarop we met ruis omgingen, was het combineren van de bekende foutfrequentiekenmerken uit het trillingsdomein met het mel-spectrogram van het signaal dat werd verwerkt. Het in kaart brengen van de kenmerken op de mel-schaal (een perceptuele schaal van toonhoogtes gebaseerd op het menselijk gehoor) is van cruciaal belang voor de algoritmen om effectief patronen te leren die overeenkomen met verschillende akoestische gebeurtenissen. Hierdoor kon ons model brede gebieden van het frequentiespectrum leren waar we aandacht aan moesten besteden of die we konden negeren, en zelfs konden corrigeren voor enige ruisgerelateerde vervorming in de domeinspecifieke kenmerken.
De tweede methode was om ervoor te zorgen dat in de nabewerking signalen met ruis minder werden gewogen dan zuiverdere signalen (waar akoestische verstoringen minder of niet aanwezig zijn). Het karakteriseren van de hoeveelheid achtergrondgeluid was een belangrijk aspect van deze aanpak. We hebben ons gericht op enkele bekende verstoringen die regelmatig voorkomen in de testomgeving, zoals lawaai van aangrenzende testopstellingen of menselijke spraak in het laboratorium, evenals een algemeen concept van "hard geluid"; gedefinieerd als een korte piek in het signaal. Door detectoren te ontwikkelen om de aanwezigheid van dergelijke akoestische gebeurtenissen te kwantificeren, konden we een achtergrondruisscore toewijzen aan elk venster met verkregen gegevens. Hierdoor konden we de resultaten effectief vertekenen in de richting van de uitvoer van schone signalen. Dit was een cruciale stap in het aanzienlijk terugdringen van het aantal vals-positieven.
Active learning voor een betrouwbare dataset
Een andere uitdaging ligt in de aanzienlijke kosten voor het ontwikkelen van een gelabelde dataset. De gecontroleerde aanpak voor het detecteren van afwijkingen die we gebruiken, is afhankelijk van de beschikbaarheid van gelabelde instanties van afwijkende werking. Het is niet altijd haalbaar om afwijkende bewerkingen uit te voeren voor het verzamelen van gegevens, en zelfs als dat wel het geval is, is het labelen een duur en doorgaans handmatig proces. Een manier om deze kosten te verlagen is een andere voorwaarde voor de industriële haalbaarheid.
We hebben versnelde levensduurtests uitgevoerd op bijna honderd lagers, met belastingen boven de specificaties, totdat een kritisch trillingsniveau werd bereikt. We hebben ze een label gegeven op basis van het soort fouten dat ze ondervonden, en de aangetaste lagers werden achteraf geanalyseerd. Bovendien hebben we het enorme potentieel van active learning onderzocht: een algoritme kiest iteratief de meest informatieve, niet-gelabelde stalen die een expert vervolgens kan labelen. We hebben aangetoond, zij het op een andere akoestische dataset dan de kogellagerdataset, dat active learning het aantal benodigde gelabelde monsters aanzienlijk zal verminderen.
Conclusie: Nauwkeurige monitoring is haalbaar
Met behulp van het basismodel op basis van trillingsmonitoring konden we geen betrouwbare nauwkeurigheid bereiken voor de detectie van afwijkingen met behulp van microfoons.
Maar dankzij onze verbeteringen zijn we erin geslaagd een nauwkeurigheidsniveau van 99,9% te bereiken, d.w.z. minder dan 0,1% valse positieven. De finale pijplijn omvat op mel-spectrum gebaseerde functies en ruisbewuste afvlakking.
Wat betekent dit voor u?
Het potentieel van akoestische monitoring is nu bewezen.
Flanders Make doet al jaren intensief onderzoek op het gebied van condition-based onderhoud en zal op de hoogte blijven van de nieuwste ontwikkelingen op technologisch gebied. Wij hebben diverse softwaretoolboxen ontwikkeld voor de detectie van componentdefecten en beschikken over een aantal testopstellingen waarmee wij hardware en software testen. Wij kunnen bedrijven begeleiden naar de juiste methodiek en technologie voor hun condition-based onderhoud.