Abstract

The sustainable and safe use of rotating machines can be enhanced by condition monitoring. Acceleration signals are commonly used for the indirect measurement of condition, but their analysis can be complicated in industrial applications. When the number of monitored targets is large, efficiently conducted data analysis is essential.

The aim of this research was to develop automated, data-driven methods for the analysis of acceleration signals and related data acquired from rotating machines especially in real measurement environments. Methods that simplify system identification would ease the implementation of algorithms, while online monitoring benefits from methods that detect anomalies automatically.

The proposed methods for system identification help to automate the selection of training samples, signal features and signal processing settings by optimizing computational criteria through data exploration. Two of the methods proposed for anomaly detection monitor the residuals of regression models and one applies an adaptive approach based on an autocorrelation-based criterion. Methods that need training data from a target in undamaged condition were studied by using real measurement data from azimuth thrusters and a roller leveler. The autocorrelation-based criterion developed for detecting local faults in slowly rotating rolling element bearings was studied with laboratory and simulation data.

The results indicated that automated selection of training samples systematized the identification of anomaly detection models and their operating areas in the case of azimuth thrusters. Automated feature selection revealed previously unknown dependencies between acceleration signals and parameters, such as steel strip properties in roller leveling. In addition, certain patterns of local faults in slowly rotating rolling element bearings could be detected automatically from short time series that contained only a few fault impulses. The findings of this work can be useful in condition monitoring applications in real measurement environments, where repeatability and the automation and facilitation of data analysis are targeted.

Tiivistelmä

Pyörivien koneiden kunnonvalvonta voi parantaa niiden kestävää ja turvallista käyttöä. Kiihtyvyyssignaaleja käytetään tavallisesti kunnon epäsuorassa mittauksessa, mutta niiden analysointi voi olla monimutkaista teollisissa sovelluksissa. Kun valvottavia kohteita on useita, on olennaista suorittaa data-analyysi tehokkaasti.

Tämän tutkimuksen tarkoituksena oli kehittää automaattisia dataan perustuvia menetelmiä pyörivistä koneista mitattujen kiihtyvyyssignaalien ja niihin liittyvän datan analysointiin erityisesti todellisissa mittausympäristöissä. Järjestelmän identifiointia yksinkertaistavat menetelmät voivat helpottaa algoritmien käyttöönottoa, kun taas jatkuvassa valvonnassa on hyötyä menetelmistä, jotka havaitsevat poikkeavuuksia automaattisesti.

Järjestelmän identifiointiin ehdotetut menetelmät auttavat automatisoimaan opetusnäytteiden, signaalin piirteiden ja signaalin prosessointiasetusten valintaa optimoiden laskennallisia kriteerejä datan perusteella. Kaksi esiteltyä menetelmää poikkeavuuksien havaitsemiseen seuraa regressiomallien jäännösvirhettä ja yksi soveltaa mukautuvaa menetelmää, joka perustuu autokorrelaatiosta laskettuun kriteeriin. Menetelmiä, jotka tarvitsevat opetusdataa vauriottomasta kohteesta, tutkittiin todellisella mittausdatalla ruoripotkureista sekä rullaoikaisukoneesta. Hitaasti pyörivien vierintälaakerien paikallisten vikojen havaitsemiseen kehitettyä autokorrelaatioon perustuvaa kriteeriä tutkittiin laboratorio- ja simulointidatalla.

Tulokset osoittivat, että opetusdatan automaattinen valinta systematisoi poikkeavuuksien havaitsemiseen kehitettyjen mallien ja niiden toiminta-alueiden identifiointia ruoripotkurien tapauksessa. Automatisoitu piirteiden valinta paljasti ennalta tuntemattomia riippuvuuksia kiihtyvyyssignaaleista ja parametreista, kuten rullaoikaistavan teräsnauhan ominaisuuksista. Lisäksi tietyt vierintälaakereiden paikallisten vikojen piirteet voitiin havaita automaattisesti lyhyistä aikasarjoista, jotka kattoivat vain muutaman vikaimpulssin. Työn tuloksia voidaan hyödyntää todellisten mittausympäristöjen kunnonvalvontasovelluksissa, joissa tavoitellaan toistettavuutta sekä data-analyysin automatisointia ja helpottamista.

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

1. Nikula, R.-P., Ruusunen, M., & Böhme, S. A. (2022). On training data selection in condition monitoring applications—Case azimuth thrusters. Applied Sciences, 12(8), 4024. https://doi.org/10.3390/app12084024

   Rinnakkaistallennettu versio / Self-archived version

2. Nikula, R.-P., Ruusunen, M., Keski-Rahkonen, J., Saarinen, L., & Fagerholm, F. (2021). Probabilistic condition monitoring of azimuth thrusters based on acceleration measurements. Machines, 9(2), 39. https://doi.org/10.3390/machines9020039

   Rinnakkaistallennettu versio / Self-archived version

3. Nikula, R.-P., & Leiviskä, K. (2020). Roller leveler monitoring using acceleration measurements and models for steel strip properties. Machines, 8(3), 43. https://doi.org/10.3390/machines8030043

   Rinnakkaistallennettu versio / Self-archived version

4. Nikula, R.-P., Karioja, K., Pylvänäinen, M., & Leiviskä, K. (2020). Automation of low-speed bearing fault diagnosis based on autocorrelation of time domain features. Mechanical Systems and Signal Processing, 138, 106572. https://doi.org/10.1016/j.ymssp.2019.106572

   Rinnakkaistallennettu versio / Self-archived version