Sparse Feature Learning heter konceptet inom SKF-LTU University Technology Centre, där forskare tillsammans med SKF arbetar med ny teknologi för övervakning av maskiner med smarta instrumenterade kullager. Metoden tillämpas på sensorer som registrerar högfrekventa ljudvågor, så.kallad akustisk emission. Akustisk emission genereras bland annat av fysikaliska processer som leder till slitage på maskine
– Den stora fördelen med tekniken är att vi tidigt kan förutse skador som kan orsaka driftstopp, säger Sergio Martin Del Campo Barraza, doktorand.
– Metoden ger oss möjlighet att förenkla ingenjörsarbetet genom att bearbeta komplexa ljudsignaler. När den högfrekventa ljudsignalen registrerats via en trådlös sensor, jämförs den med olika vågformer som finns lagrade i en databas. Den akustiska signalen klassificeras utifrån hur bra och hur ofta de matchar vågformerna i databasen. Olika kombinationer av vågformer kan kopplas till specifika situationer som förvarnar om skador på maskinens komponenter.
Maskinen lär sig via databas
Databasen kommer automatiskt att kunna uppdateras med maskininlärningsmetoder. Återkommande mönster i data identifieras och kopplas till fysikaliska modeller eller information om andra liknande maskiner.
– Man kan säga att maskinen använder erfarenheter av situationer där skador uppstått och på så sätt lär sig att själv förvarna när det finns risk för skador, säger Sergio Martin Del Campo Barraza.
Text och foto Åsa Svedjeholm, Luleå Tekniska Universitet
BREAKING