Ettenägev hooldus (elektrimasinad)

Tänapäeval leiavad elektrimasinad ja ajamisüsteemid laialdasi rakendusi ja mängivad erinevates tööstusharudes olulist rolli. Arvestades seda, on hoolduse ja diagnostika küsimus äärmiselt tähtis. Praktikas kasutatakse tavaliselt kolme peamist masinahoolduse tüüpi: korrigeeriv, ennetav ja ettenägev hooldus.

Korrigeeriva hoolduse korral, mida nimetatakse ka reaktiivhoolduseks, eeldatakse, et kõik vajalikud remonditööd tehakse pärast rikke ilmnemist. See lahendus sobib aga ainult väikestele ja tähtsusetutele tööjaamadele, kus ootamatu rike ei too kaasa olulisi majanduslikke ega katastroofilisi tagajärgi.

Teine võimalus on ennetav hooldus. Selle lähenemisviisi korral kontrollitakse regulaarselt elektriseadmeid plaaniliste ja kindlaksmääratud kontrollide kaudu. Kuigi see lahendus võib masina eluiga pikendada, annab see ajakavapõhine seisukorra jälgimise lähenemisviis minimaalset teavet seadmete järelejäänud kasuliku eluea kohta ega võimalda prognoosida. Lisaks nõuab see tootmise plaanipäraste kontrollide tõttu sageli tootmisprotsessi osalist või täielikku seiskamist, mis toob kaasa ebatõhusa ressurside kasutuse ja täiendavad tegevuskulud.

Seiskamiskulude vähendamiseks ja seisakuaja minimeerimiseks lähevad tootjad üle ettenägevale hooldusele. Seisundi jälgimine on ettenägeva hoolduse ülioluline komponent, mis võimaldab prognoosida võimalikke rikkeid elektriseadmete töötingimuste põhjal. Pideva talitluse tagamiseks on paljude parameetrite jälgimine hädavajalik, et vältida ootamatuid rikkeid. Infotehnoloogia kiire arenguga kasutatakse rikete tuvastamiseks ja ennustamiseks täiustatud diagnostilisi lähenemisviise. Pilvandmetöötlus ja asjade internet aitavad kaasa tõhusamale diagnostikale – eelkõige ettenägevale hooldusele. See hõlmab suurandmete ja süsteemide matemaatiliste mudelite integreerimist. Kuigi süsteemitreeningu jaoks on saadaval palju algoritme, on peamine väljakutse andmete koguses ja kvaliteedis. See põhjalikku arusaamist masina rikete olemusest, nende põhjustest ja nende mõjust globaalsetele parameetritele.

Intelligentsed diagnostikaalgoritmid[muuda | muuda lähteteksti]

Kasvava arvutite võimsuse ja pilvarvutusega saab tehisintellekti algoritmide osas treenida erinevaid mootorite rikete matemaatilisi mudeleid. Masinõpe on mootorite seisundiseire optimaalne tööriist suurte andmehulkade käsitlemiseks. Enamasti kasutatakse elektrimasinate diagnostikas järgmisi algoritme: otsustuspuud, tugivektormasin, peakomponentide analüüs ja geneetiline algoritm ^[1]. Masinõppemeetoditest on kasutusel ka tehisnärvivõrgud, mida sageli peetakse eraldi valdkonnaks ja mida laialdaselt rakendatakse masinaparameetrite seisundi jälgimiseks. Teine kategooria on hägusloogika, mida edukalt rakendatakse erinevates energiasüsteemide juhtimisrakendustes.

Otsustuspuud[muuda | muuda lähteteksti]

Pikemalt artiklis Otsustuspuu

Otsustuspuud on ühed kõige lihtsamad otsustusalgoritmid ja nõuavad tulemuste saamiseks vaid väikest hulka andmeid ^[2]. Täpsuse suurendamiseks kasutatakse otsustuspuid sageli samaaegselt teiste algoritmidega. Otsustuspuid peetakse siiski ebastabiilseteks algoritmideks; väikesed muudatused sisendandmetes võivad põhjustada olulisi muudatusi otsustuspuude struktuuris, mis toob kaasa ebatäpseid tulemusi. Lisaks puutuvad regressioonialgoritmid tavaliselt kokku väljakutsetega.

Tugivektormasin[muuda | muuda lähteteksti]

Pikemalt artiklis Tugivektor-masin

Teine laialdaselt kasutatav masinõppe algoritm on tugivektormasin, mis sobib klassifitseerimiseks ja regressiooniülesanneteks ^[3]^[4]. Klassifitseerimisülesannetes saab algoritm käsitleda nii lineaarseid kui ka mittelineaarseid juhtumeid ^[5]. Algoritm keskendub andmete eraldamisele, et tekitada nende vahel maksimaalne vahe. Mittelineaarse klassifitseerimise korral töötab kernelimasin sarnaselt lineaarsete algoritmidega, kuid hõlmab andmekogumite asendamist ^[6].

Tugivektorimasinaid peetakse üldiselt optimaalseks tööriistaks, kui andmekogumite kohta puudub esialgne teave. Sarnaselt otsustuspuudega vajab tugivektormasin täpsete tulemuste saamiseks vähem arvutusvõimsust. Eriti suurte andmekogumite töötlemine võib aga võtta palju aega. Lisaks võib see mittelineaarsete protsesside jaoks olla keeruline ülesanne.

Peakomponentide analüüs[muuda | muuda lähteteksti]

Pikemalt artiklis Peakomponentide analüüs

Need algoritmid saavad õppida spontaanselt ja täita antud ülesannet, tuvastades seosed süsteemi vastuste vahel ^[7]. Väga suurte andmekogumitega tegelemisel võib aga olulise teabe hankimine olla keeruline. Selle probleemi lahendamiseks tuvastavad algoritmid objektide sarnasused ja liigitavad need rühmadesse või klastritesse ^[8].

Põhikomponentide analüüs pakub tõhusat lahendust andmete mõõtmete vähendamiseks. Peamine eelis on see, et algoritm käsitleb iga andmepunkti iseseisva komponendina, ilma neid korreleerimata. Järelikult vähendab see lähenemine oluliselt nii koolituse kui ka töötlemise aega. Sellegipoolest võib iga andmepunkti käsitlemine iseseisva komponendina kaasa tuua teabe kadumise ja tulemuste täpsuse vähenemise.

Geneetiline algorithm[muuda | muuda lähteteksti]

Pikemalt artiklis Geneetiline algoritm

Sellistes algoritmides on süsteemi õppeprotsess alguse saanud suhtlusest keskkonnaga ^[9]. Need algoritmid on mõeldud peamiselt optimeerimisprobleemide lahendamiseks. Iga andmepunkti esindavad geenid ja geenide vektor moodustab populatsiooni genotüübi. Esialgu luuakse sobivuse funktsioon, et hinnata, kui tõhusalt genotüüp antud ülesannet täidab. Seejärel valitakse järgmise põlvkonna loomiseks kõige täpsemad vasted.

See protsess kordub, kuni ülesanne on edukalt lõpule viidud, mis viib tulemuseks oleva populatsiooni moodustamiseni. Geneetiline algoritm loetakse optimaalseks, kui andmevaldkonna kohta on vähe teadmisi ja tulemus genereeritakse geneetiliste operaatorite kaudu.

Märkimisväärne puudus on aga potentsiaal degeneratsiooniks geneetilises populatsioonis, kus erinevad kromosoomid esindavad sama lahendust. Sellistel juhtudel muutub täpse tulemuse saavutamine keeruliseks.

Tehisnärvivõrgud[muuda | muuda lähteteksti]

Neid algoritme saab rakendada klassifitseerimiseks, ennustamiseks ja funktsioonide eraldamiseks ^[10]^[11]. Probleemi lahendamiseks edastavad neuronid signaale. Need algoritmid ei ole programmeeritud, vaid on mõeldud õppimiseks. Neuronite vaheliste sidekoefitsientide määramine saavutatakse õppeprotsessi kaudu. Kiire ja arusaadav õppeprotsess on närvivõrkude üks peamisi eeliseid. Lisaks võimaldab edukas koolitus algoritmidel taastada mittetäielikud või isegi kahjustatud andmed.

Kuid närvivõrkudel on teatud piirangud. Täpsete tulemuste saavutamiseks on vaja leida tasakaal üle- ja alakohandatud andmete vahel; liiga ligikaudne mudel ei pruugi anda täpseid tulemusi, samas kui liiga üksikasjalik algoritm võib olla praktiliseks rakendamiseks liiga paindlik ja keeruline. Lisaks on "musta kasti" nähtus levinud närvivõrkudes, kus see võib põhjustada vigu tehisstruktuuris ^[12].

Hägusloogika[muuda | muuda lähteteksti]

Peamine erinevus traditsioonilise ja häguse loogika vahel seisneb tulemuste esitamises. Traditsioonilises loogikas esitatakse tulemust ainult tõesed või valed väärtused (1 või 0), samas kui hägusloogikas saab tulemust väljendada mis tahes väärtusena vahemikus 1 kuni 0, mis hõlmab tõesuse, vääruse või osalise tõe astmeid ^[13].

Üldiselt peetakse hägusat loogikat otsustusülesannete puhul lihtsaks lahenduseks. Sellel on reeglistikul põhinevate liikmefunktsioonide kombinatsiooni kaudu ligikaudne arutlusvõime. Häguse süsteemi arendamine nõuab aga märkimisväärset hulka andmeid. Lisaks võib hägusate reeglite koostamine andmeanalüüsi keerukamaks muuta.

Algoritmide võrdlus[muuda | muuda lähteteksti]

Tööstuse tingimustes võib andmete kogumine olla keeruline ülesanne. Tootmise tavapäraste kontrollide tõttu on potentsiaalselt vigaseid pöörlevaid masinaid vaid piiratud arv, mistõttu on koolituse eesmärgil saadaval piiratud arv teste. Lisaks ei pruugi sama masina tõrgete korral kogutud andmed teiste stsenaariumide puhul otseselt kehtida. Seetõttu peavad diagnostilised algoritmid tõhusa intelligentse treenimise tagamiseks tuginema matemaatilistele mudelitele, mis hõlmavad erinevaid vigaseid tingimusi, suurendades nende usaldusväärsust. Selleks on oluline mõista masinarikete olemust, nende põhjuseid ja mõjusid.

Kõikide eelnimetatud diagnostikameetodite eelised ja puudused on kokku võetud tabelis allpool ^[14].

Meetod	Eelised	Puudused
Otsustuspuud	Väike arvutusvõimsus Lihtne struktuur Andmete eeltöötlust pole vaja	Suur ületreenimise võimalus Ei sobi regressiooniülesanneteks Suurenenud treeninguaeg
Tugivektormasin	Töötamine suurandmetega Talitlus mittelineaarsete protsessidega Väike arvutusvõimsus Andmete täpsustamist pole vaja	Pole võimalust mittevajalikku teavet filtreerida Kernelimasina keeruline haldamine
Peakomponentide analüüs	Vähendatud treeninguaeg Hea visualiseerimine	Võimalik teabe kadu Vähendatud täpsus
Geneetiline algorithm	Adaptiivne algoritm Kiire andmete töötlemine	Degeneratsioon
Tehisnärvivõrgud	Kiire õppimine Pole tundlik andmemüra suhtes	Peab olema tasakaal ala- ja ülemääratud andmete vahel "Musta kasti" fenomen Ületreenimise oht
Hägusloogika	Lihtne struktuur Paindlik algoritm Pole vaja spetsiaalset riistvara Lihtne ümberprogrammeerimine	On vaja palju andmeid Ebatäpsed andmed toovad kaasa kehvad tulemused

Vaata ka[muuda | muuda lähteteksti]

Kasutatud kirjandus[muuda | muuda lähteteksti]

↑ Kudelina, K.; Vaimann, T.; Asad, B.; Rassõlkin, A.; Kallaste, A.; Demidova, G. Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning. Appl. Sci. 2021, 11, 2761. https://doi.org/10.3390/app11062761
↑ Mosavi, A.; Ozturk, P.; Chau, K.-W. Flood Prediction Using Machine Learning Models: Literature Review. Water 2018, 10, 1536.
↑ Savas, C.; Dovis, F. The Impact of Different Kernel Functions on the Performance of Scintillation Detection Based on Support Vector Machines. Sensors 2019, 19, 5219.
↑ Parrado-Hernández, E.; Robles, G.; Ardila-Rey, J.A.; Martínez-Tarifa, J.M. Robust Condition Assessment of Electrical Equipment with One Class Support Vector Machines Based on the Measurement of Partial Discharges. Energies 2018, 11, 486.
↑ Shi, Y.; Tian, Y.; Kou, G.; Peng, Y.; Li, J. Support Vector Machines for Classification Problems. In Advanced Information and Knowledge Processing; Springer: London, UK, 2011; pp. 3–13.
↑ Nanda, M.A.; Seminar, K.B.; Nandika, D.; Maddu, A. A Comparison Study of Kernel Functions in the Support Vector Machine and Its Application for Termite Detection. Information 2018, 9, 5.
↑ Windrim, L.; Ramakrishnan, R.; Melkumyan, A.; Murphy, R.J.; Chlingaryan, A. Unsupervised Feature-Learning for Hyperspectral Data with Autoencoders. Remote Sens. 2019, 11, 864.
↑ Swana, E.; Doorsamy, W. An Unsupervised Learning Approach to Condition Assessment on a Wound-Rotor Induction Generator. Energies 2021, 14, 602.
↑ Varghese, N.V.; Mahmoud, Q.H. A Survey of Multi-Task Deep Reinforcement Learning. Electronics 2020, 9, 1363.
↑ Lee, S.; Son, Y. Motor Load Balancing with Roll Force Prediction for a Cold-Rolling Setup with Neural Networks. Mathematics 2021, 9, 1367.
↑ Zimnickas, T.; Vanagas, J.; Dambrauskas, K.; Kalvaitis, A.; Ažubalis, M. Application of Advanced Vibration Monitoring Systems and Long Short-Term Memory Networks for Brushless DC Motor Stator Fault Monitoring and Classification. Energies 2020, 13, 820.
↑ Heinert, M. Artificial neural networks—How to open the black boxes? Appl. Artif. Intell. Eng. Geod. 2008, 42–62.
↑ Demidova, G.; Rassolkin, A.; Vaimann, T.; Kallaste, A.; Zakis, J.; Suzdalenko, A. An Overview of Fuzzy Logic Approaches for Fault Diagnosis in Energy Conversion Devices. In Proceedings of the 28th International Workshop on Electric Drives Improving Reliability of Electric Drives, IWED 2021 Proceedings, Virtual, 27–29 January 2021.
↑ Kudelina, K.; Asad, B.; Vaimann, T.; Rassõlkin, A.; Kallaste, A.; Khang, H.V. Methods of Condition Monitoring and Fault Detection for Electrical Machines. Energies 2021, 14, 7459. https://doi.org/10.3390/en14227459

[1] Kudelina, K.; Vaimann, T.; Asad, B.; Rassõlkin, A.; Kallaste, A.; Demidova, G. Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning. Appl. Sci. 2021, 11, 2761. https://doi.org/10.3390/app11062761

[2] Mosavi, A.; Ozturk, P.; Chau, K.-W. Flood Prediction Using Machine Learning Models: Literature Review. Water 2018, 10, 1536.

[3] Savas, C.; Dovis, F. The Impact of Different Kernel Functions on the Performance of Scintillation Detection Based on Support Vector Machines. Sensors 2019, 19, 5219.

[4] Parrado-Hernández, E.; Robles, G.; Ardila-Rey, J.A.; Martínez-Tarifa, J.M. Robust Condition Assessment of Electrical Equipment with One Class Support Vector Machines Based on the Measurement of Partial Discharges. Energies 2018, 11, 486.

[5] Shi, Y.; Tian, Y.; Kou, G.; Peng, Y.; Li, J. Support Vector Machines for Classification Problems. In Advanced Information and Knowledge Processing; Springer: London, UK, 2011; pp. 3–13.

[6] Nanda, M.A.; Seminar, K.B.; Nandika, D.; Maddu, A. A Comparison Study of Kernel Functions in the Support Vector Machine and Its Application for Termite Detection. Information 2018, 9, 5.

[7] Windrim, L.; Ramakrishnan, R.; Melkumyan, A.; Murphy, R.J.; Chlingaryan, A. Unsupervised Feature-Learning for Hyperspectral Data with Autoencoders. Remote Sens. 2019, 11, 864.

[8] Swana, E.; Doorsamy, W. An Unsupervised Learning Approach to Condition Assessment on a Wound-Rotor Induction Generator. Energies 2021, 14, 602.

[9] Varghese, N.V.; Mahmoud, Q.H. A Survey of Multi-Task Deep Reinforcement Learning. Electronics 2020, 9, 1363.

[10] Lee, S.; Son, Y. Motor Load Balancing with Roll Force Prediction for a Cold-Rolling Setup with Neural Networks. Mathematics 2021, 9, 1367.

[11] Zimnickas, T.; Vanagas, J.; Dambrauskas, K.; Kalvaitis, A.; Ažubalis, M. Application of Advanced Vibration Monitoring Systems and Long Short-Term Memory Networks for Brushless DC Motor Stator Fault Monitoring and Classification. Energies 2020, 13, 820.

[12] Heinert, M. Artificial neural networks—How to open the black boxes? Appl. Artif. Intell. Eng. Geod. 2008, 42–62.

[13] Demidova, G.; Rassolkin, A.; Vaimann, T.; Kallaste, A.; Zakis, J.; Suzdalenko, A. An Overview of Fuzzy Logic Approaches for Fault Diagnosis in Energy Conversion Devices. In Proceedings of the 28th International Workshop on Electric Drives Improving Reliability of Electric Drives, IWED 2021 Proceedings, Virtual, 27–29 January 2021.

[14] Kudelina, K.; Asad, B.; Vaimann, T.; Rassõlkin, A.; Kallaste, A.; Khang, H.V. Methods of Condition Monitoring and Fault Detection for Electrical Machines. Energies 2021, 14, 7459. https://doi.org/10.3390/en14227459

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]