A Cloud-Based Analysis Tool for Vibration Monitoring with Neural Networks

Abstract

Insinöörityö-projektin tavoitteena oli tutkia koneoppimisen ja Azure Machine Learning service-pilvipalveluiden hyödyllisyyttä Protaconin Testing and Quality Assurance-tiimin projekteissa. Tämän lisäksi sen tarkoituksena oli tuottaa materiaalia, joka voisi toimia ohjeistuksena ja lähtökohtana tuleviin projekteihin.

Projekti toteutettiin kehittämällä metodeja jo olemassa olevan tärinämittaus-järjestelmän toiminnallisuuden laajentamiseksi pilvessä toteutetulla neuroverkkoihin perustuvalla analyysityökalulla. Aluksi tutkittiin laakerien toimintakunnon heikkenemisen merkkejä värinäsignaaleista. Sitten kehitettiin Keras-kirjastoa ja Python ohjelmointikieleltä käyttäen neuroverkko, joka kykeni havaitsemaan toimintakunnon muutokset mittadatasta. Lopuksi tutkittiin metodeja Keras-kirjastolla kehitettyjen neuroverkkojen käyttöönottamiseksi web-palveluina.

Projektin tuloksena syntyi toimiva web-työkalu, joka kykenee analysoimaan värinädataa ja mittaamaan laakerien kunnon heikkenemistä. Testaamiseen käytetystä datasta ongelmat voitiin havaita ja niiden vakavuus mitata laakereilla ollessa vielä miljoonia pyörähdyksiä jäljellä ennen vahingoittumista.

Työn lopputulos osoittaa että konseptit, joita testattiin ovat sopivia tähän käyttötarkoitukseen ja työ toimii hyvänä lähtökohtana kehittyneemmän ja yleispätevämmän analyysityökalun kehittämiseen.

The aim of this thesis project was to investigate the usefulness of machine learning and the cloud platform provided by Microsoft Azure Machine Learning service in the projects of the Testing and Quality Assurance team of Protacon Technologies Ltd. In addition to this, it was meant to serve as instructional material and as a pilot for upcoming projects utilizing similar concepts.

The project was carried out by developing methods for expanding the functionality of an existing vibration measurement system with a cloud-based analysis tool employing neural networks. First, the effects of degradation in the vibration of rotating bearings was studied. Then, a recurrent neural network capable of detecting the degradation was developed with Keras on Python. Finally, a method for deploying neural networks as web-services was investigated.

As the outcome of this project, a functional tool for analysing vibration signals was implemented as a web-service hosted in the Azure cloud. From the data set which the analysis tool was developed and tested on, bearing degradation was detected and quantified millions of rotations prior to failure.

The result of this work shows that the techniques utilized are viable for the intended purpose and provides a baseline for developing a more sophisticated and universal analysis tool in further works.