Tekoälyavusteisten kunnonvalvonnan värähtelyanalytiikkatuotteiden kypsyyden arviointi

Abstract

Tekoäly on ollut viime vuosina kuuma aihe mediassa, tutkimuksissa ja liiketoiminnassa. Teollisen internetin, tietoliikenteen, pilviteknologian ja koneoppimistekniikoiden kehittyminen ovat tuoneet mukanaan tekoälykehityksen uuden aallon. Tekoälylle on kasattu viime vuosien aikana suuria odotuksia ja teollisuuden ennakoiva kunnossapito on yksi tekoälyn kaupallisesti kiinnostavimpia sovelluskohteita. Kunnonvalvonnan värähtelyanalytiikka on ollut perinteisesti erikoiskoulutettujen asiantuntijoiden työtä. Tekoälyn uudet tekniikat ovat kuitenkin herättäneet uudelleen kysymyksen siitä, olisiko kunnonvalvonnan analyysit tekoälyn avulla ainakin osin automatisoitavissa. Tällä pystyttäisiin vähentämään asiantuntijoiden työtaakkaa ja saada siten myös taloudellista hyötyä. Työssä tutkittiin markkinoilta tällä olevien löytyvien kunnonvalvonnan tekoälyavusteisen värähtelyanalytiikan tuotteiden ja palvelujen suorituskykyä ja kypsyystasoa. Kentässä toimii monenlaisista taustoista tulevia yrityksiä ja ne tarjoavat myös erilaisia tuote- ja palvelukokonaisuuksia. Värähtelyanalytiikkajärjestelmien kypsyyden ymmärtämiseksi muodostettiin viitekehys soveltamalla yleistä analytiikan tasojen kypsyysmallia värähtelyanalyysin ja teollisen internetin kontekstiin. Kypsyyden selvittämiseksi tarkasteltiin ensin yhden esimerkkiyrityksen tuotetta tarkemmin. Lisäksi tarkasteltiin myös markkinoilta löytyviä muita tekoälyavusteisen värähtelyanalytiikan tuotteita vertailevasti. Työssä testattiin myös kohdeyrityksessä kehitetyn ennakoivan kunnossapidon värähtelyanalytiikkajärjestelmän toimintaa. Järjestelmän anomaliantunnistuskykyä testattiin jätevesipumpun värähtelydatalla. Testeissä havaittiin, että koneoppimisen tekniikoita voidaan käyttää pienienkin poikkeamien havaitsemiseen. Testissä todettiin myös, että anomaliantunnistuksen herkkyyttä säätämällä voidaan tunnistus konfiguroida eri käyttökohteisiin. Lisäksi huomattiin, että värähtelyanalytiikan tuotteissa on haasteena datan merkitseminen ja suorituskyvyn viestiminen asiakkaille. Työn toisessa osassa markkinatutkimuksen menetelmänä oli dokumenttianalyysi, jossa tarkasteltiin kunnonvalvonnan tekoälyavusteisten värähtelyanalytiikan tuotteiden ja palveluiden verkosta julkisesti saatavilla olevia dokumentteja. Tarkastelussa oli yhdeksän yritystä tuotteineen. Työssä havaittiin, että markkinoilla on jo useita värähtelyanalytiikkajärjestelmiä, joiden luvataan diagnosoivan pyörivien koneiden vikoja automaattisesti, sekä opastavan käyttäjiä automaattisesti tarvittaviin kunnossapitotoimenpiteisiin. Tarkastelussa oli myös vanhemmalla asiantuntijajärjestelmäteknologialla rakennettu analytiikkajärjestelmä, joka oli kypsyystasoltaan vertailun parhaiden joukossa. Lopuksi tarjottiin muutamia näkökulmia värähtelyanalytiikan tekoälyominaisuuksiin liittyvään standardointityöhön.

Artificial intelligence has been a hot topic in the media, research and business in recent years. The development of the Internet, telecommunications, cloud technology and machine learning technologies have brought with them a new wave of artificial intelligence development. There have been high expectations for artificial intelligence in recent years, and proactive maintenance in industry is one of the most commercially attractive applications for artificial intelligence. Vibration analysis in condition monitoring has traditionally been the work of specially trained experts. However, new technologies for artificial intelligence have again raised the question of whether condition monitoring analyzes could be at least partially automated by artificial intelligence. This would reduce the workload of the experts and thus also bring economic benefits. The work examined the performance and maturity level of artificial intelligence-assisted vibration analysis products and services available on the market. There are companies from many different backgrounds in the field and they also offer various product and service packages. To understand the maturity of vibration analysis systems, a framework was formed by applying a generic maturity model of data-analytics to the context of vibration analysis and the industrial Internet. In order to determine the maturity, the product of one example company was first examined in more detail. In addition, other products of artificial intelligence-assisted vibration analysis on the market were also compared. The operation of the predictive maintenance vibration analysis system developed in the target company was also tested. The anomaly detection capability of the system was tested with the vibration data of the wastewater pump. In the tests, it was found that machine learning techniques can be used to detect even small deviations. The test also found that by adjusting the sensitivity of the anomaly detection, the detection can be configured for different applications. In addition, it was noted that in vibration analytics products, there are challenges in labeling data and communicating performance to customers. In the second part of the work, the research method was document analysis, in which publicly available documents for these artificial intelligence-assisted vibration analysis products and services were examined. There were nine companies with their products in the review. It was found that there are already several vibration analysis systems on the market, which are promised to automatically diagnose faults in rotating machines, as well as to guide users automatically in the necessary maintenance measures. The analysis also included an analytics system built with an older expert system technology, which was among the best in terms of maturity. Finally, a few perspectives were provided on the standardization work related to the artificial intelligence properties of vibration analytics.