Didžiausi pasaulio gamintojai dėl gamyklinių įrenginių gedimo per metus praranda apie 1 mlrd. dolerių. Problema slypi triukšmingoje gamyklų aplinkoje – veikiantys prietaisai, įvairūs ventiliatoriai sukelia daug triukšmo, todėl dažnu atveju įrenginių gedimai yra identifikuojami per vėlai, nes žmogui jie – negirdimi.

Pramoninių mašinų gedimų aptikimas priklauso nuo įvairių duomenų – temperatūros, slėgio, elektros srovės, vibracijos ir garso – gaunamų iš įrengtų jutiklių. Nors jutikliai būtini atliekant diagnostiką, juos sunku įdiegti į senus, neskaitmenizuotus įrenginius.

„Gedimų aptikimas nenaudojant specialių jutiklių yra pripažintas kaip vienas iš pagrindinių profilaktinės priežiūros metodų gamyklose, kuriose žemas automatizavimo lygis – tokių įmonių skaičius gerokai didesnis nei skaitmenizuotų. Kadangi garso duomenys yra gaunami lengvai, o patalpose įrengti mikrofonus nėra brangu, metodai, kurie remiasi garso duomenimis, yra paklausūs”, – sako Kauno technologijos universiteto (KTU) tyrėjas Rytis Maskeliūnas, vienas iš išradimo autorių.

Labai triukšmingoje gamyklos aplinkoje duomenys yra užteršiami ir paskęsta triukšme, todėl dažnai garsas yra interpretuojamas klaidingai – mechaninis gedimas neaptinkamas arba aptinkamas per vėlai. KTU multimedijos ir programinės įrangos inžinierių komanda pasiūlė giliojo mašininio mokymosi (angl. machine learning, ML) metodą, kuris remiasi realiais pramonėje veikiančių mašinų sukeliamais garsais. Šis metodas naudojamas mašinų diagnostikai nenaudojant papildomų jutiklių ir yra atsparus triukšmui.

„Naudojant mūsų sukurtą programinį sprendimą, nereikia jokios brangios įrangos – užteks įrenginio, kuris apdorotų informaciją, pavyzdžiui, kompiuterio, ir mikrofono. Privalumai atsispindi dirbtinio intelekto taikyme – nereikia jokių specialių jutiklių“, – pasakoja R. Maskeliūnas.

Paprastas ir tvarus būdas skaitmenizuoti pramonę

„Mūsų tikslas buvo pagerinti mechaninių gedimų aptikimo patikimumą. Tai itin perspektyvi sritis, nes atsiranda galimybė lengvai bei pigiai skaitmenizuoti pramonės diagnostiką. Toks sprendimas taip pat atspindi tvarumą – nereikia keisti ar radikaliai atnaujinti senų pramoninių įrenginių. Kadangi naujų pramoninių mašinų įrengimas reikalauja daug išteklių, daugelis skurdesnių šalių artimiausius dešimtmečius nebeturės galimybės diegti naujus įrenginius, nepriklausomai nuo išsivysčiusių šalių spaudimo lygio“, – teigia KTU tyrėjas.

Eksperimentų metu buvo naudojamas pramoninių mašinų garsų duomenų rinkinys MIMII (angl. Machine Inspection and Malfunction Investigation and Inspection). Pasak KTU tyrėjo R. Maskeliūno, šį duomenų rinkinį sudaro keturių skirtingų mechanizmų tipų – vožtuvų, siurblių, ventiliatorių ir slydimo bėgių – keliami garsai.

„Triukšmas yra realus gamybinės aplinkos garsas, kuris buvo sąmoningai sumaišytas su grynu mašinų garsu trimis skirtingais signalo ir triukšmo (SNR) lygiais: 6 dB, 0 dB ir 6 dB. Mašinos garsas buvo perkoduotas tiek įprastomis, tiek neįprastomis sąlygoms. Dėl to mes pasiūlėme akustinę gedimų aptikimo sistemą, kurią galima naudoti realioje pramonės aplinkoje siekiant aptikti gedimus laiku“, – pasakoja R. Maskeliūnas.

Laiku neaptiktas mašinos gedimas – didelės išlaidos

Pasak R. Maskeliūno, apjungus naujus akustinių jutiklių technologijos ir giliojo mokymosi metodus, galima išvengti nereikalingo įrangos komponentų keitimo, sumažinti mašinų priežiūros išlaidas, pagerinti darbų saugą, padidinti įrangos prieinamumą bei užtikrinti našumą.

„Išankstinį įspėjamąjį signalą galima gauti naudojant stebėsenos sistemą, kuri remiasi akustinių gedimų atpažinimu. Gedimų aptikimas laiku gali turėti strateginį poveikį, o tokia sistema – potencialiai aptikti net ir dar nežymius gedimo signalus (pirminė stadija). Pagrindiniai pranašumai – priežiūros valdymas ir planavimas realiu laiku, o tai padeda sumažinti išlaidas, kurios susijusios su mechanizmų gedimais“, – sako tyrėjas.

Ateityje KTU mokslininkų komanda planuoja išmokinti algoritmus identifikuoti ir daugiau gedimų tipų: „Kaip ir dauguma dirbtinio intelekto tyrėjų, mes turime ribotą kiekį duomenų. Partnerystė su gamybos įmone leistų surinkti įvairesnių scenarijų ir metodą taikyti plačiau. Mūsų programinis sprendimas ypač aktualus šalyse, kuriose žemas skaitmenizacijos lygis ir įmonės neturi išteklių naujai įrangai“, – teigia R. Maskeliūnas.

Mokslininkų išradimas sulaukė nemažai užklausų. R. Maskeliūnas pažymi, kad didžiausias naujojo sprendimo privalumas – įrangos nereikia (į)montuoti bei ji yra sąlyginai pigi – tereikia mikrofono.

Šaltinis: Tagawa, Y.; Maskeliūnas, R.; Damaševičius, R. Acoustic Anomaly Detection of Mechanical Failures in Noisy Real-Life Factory Environments. Electronics 2021, 10, 2329.