CEITEC Brno University of Technology se v rámci svých aktivit v oblasti umělé inteligence a vysoce výkonného výpočetního zpracování dat zabývá prediktivní údržbou strojů a zařízení. Díky modelové průmyslové továrně (testbed) a HPC clusteru NVIDIA DGX A100 / DGX H100, který je součástí infrastruktury TEF, můžeme data nejen analyzovat, ale také měřit a sbírat. Jedním z našich zákazníků využívajících strojový čas je česká společnost Neuron Soundware, která je jedním z předních specialistů v oblasti prediktivní údržby. Vedoucí výzkumné skupiny prof. Pavel Václavek doplňuje: „Máme bohaté zkušenosti s diagnostikou elektrických pohonů, od vibrodiagnostiky až po vývoj a nasazení algoritmů umělé inteligence do průmyslových mikrokontrolérů. Spolupracujeme s klienty z výrobního průmyslu, a to buď přímo na konkrétních projektech, nebo tím, že jim poskytujeme přístup k technologii HPC za účelem optimalizace jejich vlastních operací.“
Přístupy prediktivní údržby pro pohony se stávají nezbytnou součástí moderních provozních strategií, které se rozšiřují napříč odvětvími, jako je robotika, automobilový průmysl, CNC technologie a další průmyslové aplikace. Tato řešení usnadňují včasnou detekci poruch, monitorování stavu a následnou kontrolu v pohonných systémech.
Synchronní motory s permanentními magnety (PMSM) jsou jedním z nejdůležitějších typů elektrických pohonů na trhu, zejména v automobilovém průmyslu. Jedním z hlavních rizik spojených s těmito motory je možnost zkratu mezi vinutími, který může vést k poškození nebo poruše. Během provozu jsou vinutí motoru vystavena vysokému namáhání způsobenému kombinací mechanických a elektrických faktorů, jako jsou zvýšené vibrace, zvýšená teplota a vysoké napětí. Tyto vlivy vedou k degradaci izolace vodičů, což má za následek zkratové poruchy. Diagnostika může nejen pomoci odhalit poruchy, ale také předpovědět poruchy předtím, než k nim dojde, což poskytuje čas na plánované opravy. Změna řídicích strategií v rané fázi a v případě potřeby okamžité vypnutí stroje může chránit zařízení před dalším poškozením a ztrátami.
V závislosti na konkrétních potřebách používáme řadu diagnostických metod, které zahrnují jak konvenční algoritmy, tak jejich kombinace s aplikacemi umělé inteligence. Při plánování konkrétní metodiky je třeba zohlednit několik parametrů: rozpočet, čas dostupný pro implementaci, potřebu univerzálních řešení, reakci po detekci poruchy, úroveň automatizace atd. Doporučujeme zahájit implementaci těchto diagnostických systémů již ve fázi prototypování. Tento přístup snižuje náklady a zvyšuje hodnotu a sofistikovanost konečného produktu. Naše služba obvykle zahrnuje návrh vhodného algoritmu a dalšího hardwaru, jako jsou například senzory pro měření vibrací, pokud je to relevantní.
Jednou z vysoce inovativních metod, které používáme, je aplikace podmíněného konvolučního autoenkodéru. Náš tým se specializuje na návrh a vývoj autoenkodérů s integrovanými algoritmy detekce poruch, které poté integrujeme do cílového mikrokontroléru pro použití při řízení nebo monitorování elektrických zařízení. Mikrokontrolér je schopen spolehlivě detekovat zkraty mezi vinutími v reálném čase.
Alternativně lze pro detekci poruch použít metodiku založenou na monitorování dat o vibracích pohonu a jejich analýze pomocí umělé inteligence. Výhodou tohoto přístupu ve srovnání s měřením elektrických veličin je jeho přímá korelace s mechanickým stavem pohonu, jeho rychlost nasazení a schopnost detekovat poruchy v rané fázi, než ovlivní elektrické parametry. Detekce založená na měření elektrických veličin může být obtížná v případě nízkých otáček motoru a malého rozsahu poruch. Metoda vibrodiagnostiky však vyžaduje instalaci dalších senzorů.
Metoda aplikace AI pomocí konvolučního autoenkodéru
K diagnostice mechanických, magnetických a elektrických poruch v synchronních motorech s permanentními magnety (PMSM) se používá metoda umělé inteligence bez učitele založená na podmíněném konvolučním autoenkodéru. Tento přístup reaguje na současný trend zvyšování výpočetního výkonu mikrokontrolérů, který umožňuje pokročilé monitorování stavu a diagnostiku přímo na okrajových zařízeních (edge computing) bez nutnosti externího výpočetního hardwaru.
Autoenkodér je neuronová síť typu enkodér-dekodér, která je trénována výhradně na datech představujících zdravý stav motoru. Enkodér extrahuje klíčové vlastnosti vstupních signálů (např. proudy, napětí, vibrace nebo magnetické veličiny) a mapuje je do nízkorozměrného latentního prostoru. Tento latentní prostor představuje komprimované znázornění normálního chování systému přizpůsobené omezením mikrokontroléru. Dekodér se poté pokusí z této reprezentace rekonstruovat původní vstupní signál. V reálných aplikacích je princip detekce poruch založen na vyhodnocení anomálií bez nutnosti explicitní znalosti konkrétních typů poruch. Modely jsou trénovány v prostředí TensorFlow a poté optimalizovány přímo na cílovém mikrokontroléru.
Naměřené doby odvození jsou dostatečně krátké pro nasazení v reálném čase a včasnou detekci poruch předtím, než dojde k nevratnému tepelnému poškození motoru. V kombinaci s vícefázovou konfigurací motoru a vhodnou strategií řízení poruchového provozu je možné zajistit nepřetržitý provoz se sníženým maximálním točivým momentem. Schopnost zařízení zůstat v provozu i po detekci poruchy zvyšuje bezpečnost uživatelů, například při provozu elektrických vozidel.
Prediktivní údržba strojů a zařízení pomocí diagnostiky vibrací
Detekce zkratů mezi vinutími motoru PMS pomocí dat o vibracích zpracovaných umělou inteligencí může být velmi spolehlivá, i když se měří pouze mechanické signály (vibrace generované vadným motorem). Shromážděné datové soubory se transformují do jednoduchých 2D obrazů. 2D CNN poskytuje velmi spolehlivé výsledky pro detekci poruch PMSM (s účinností více než 99 %) z vibračního signálu bez jakýchkoli předchozích znalostí systému nebo intenzivního předzpracování vstupních dat. Surová data o vibracích z mikrofonu a akcelerometrů jsou zpracovávána přímo jednoduchou konvoluční neuronovou sítí. Množství naměřených dat závisí na konkrétním zařízení, ale obvykle nejsou vyžadovány velké datové soubory a není nutné trávit příliš mnoho času testováním, a to ani v případě, že jsou použity hodnoty pro různé provozní podmínky motoru, jako je rychlost, točivý moment, typ poruchy a závažnost. K trénování neuronové sítě a ověření struktury neuronové sítě může stačit sto testovacích běhů. Tato shromážděná data jsou převedena na 2D obrazy, které lze snadno analyzovat v programu Keras.
Proces spolupráce
Chcete-li projednat možnost spolupráce, kontaktujte nás přímo. Prvním krokem je poptávkového formuláře. Žádost o cenovou nabídku. Tento formulář slouží k upřesnění vašich očekávání a požadavků, včetně stručného popisu projektu, počtu požadovaných hodin GPU, případné potřebné podpory a požadovaného časového harmonogramu. Spolupráce je velmi podobná standardní komerční spolupráci v tom, že nezahrnuje žádné zbytečné prodlevy ani dodatečné papírování po zaplacení.
