Monitoring of rotating machinery with AI

Conditiebewaking van roterende machines, inclusief foutdetectie, foutdiagnose en schatting van de resterende levensduur (RUL), biedt aanzienlijke kostenvoordelen voor de industrie door onverwachte uitval en storingen te minimaliseren. Datagestuurde benaderingen, vaak gebaseerd op Deep Learning, hebben aanzienlijke resultaten geboekt. De beperkte beschikbaarheid van data voor modeltraining, de invloed van wisselende bedrijfsomstandigheden, het gebrek aan interpreteerbaarheid en de behoefte aan robuustheid en betrouwbaarheid van voorspellingen vormen echter aanzienlijke uitdagingen bij de toepassing van AI-gebaseerde modellen in de praktijk.

Het doel van deze presentatie is het presenteren van een methodologie voor diagnostiek en prognose onder wisselende bedrijfsomstandigheden, gebaseerd op Digital Twins en Transfer Learning. Deze methodologie vermindert de behoefte aan grote historische data voor modeltraining, schat en kwantificeert parallel de epistemische en aleatorische onzekerheid van voorspellingen en pakt de veiligheidsproblemen bij RUL-voorspelling aan. Bovendien wordt een domeintransformatietechniek geïntroduceerd die, in combinatie met bestaande gradiëntgebaseerde XAI-algoritmen, de verklaring mogelijk maakt in een ander domein dan het invoerdomein van het machine learning-model. De methodologieën worden toegepast op verschillende toepassingsgevallen van roterende machines, met de nadruk op wentellagers. De prestaties ervan worden besproken.