Machine learning-based condition monitoring of external gear pumps: Volumetric flow residuals as health indicators

Abstract

External gear pumps are among the most common types of hydraulic pumps. They are core components of many hydraulic systems, and their degradation affects the performance of the entire system. Modern hydraulic systems often produce vast amounts of data from different sensors, which can be used in data-driven condition monitoring of the system. In recent years, the ability of data-driven methods to perform automated and fast data analysis has enabled rapid development of machine learning in condition monitoring.

This thesis studies the application of machine learning methods to the condition monitoring of external gear pumps. The primary objective was to develop a machine learning model capable of monitoring pump condition in a forklift hydraulic system. This was enabled by a health indicator of the pump, in this case predicting volumetric flow. Additional objectives were to identify the most important sensors for accurate flow prediction and to develop a framework describing the development and utilization of supervised machine learning models in condition monitoring applications. The study combines a literature review with empirical research. A framework for supervised learning in condition monitoring was developed based on the literature and successfully demonstrated in the empirical part of this thesis.

For the development of the models, data were first gathered from a forklift hydraulic system using various sensors, with healthy and degraded pumps tested separately. Features were extracted from the data, and the most relevant of them were selected with Pearson, Spearman and Minimum Redundancy Maximum Relevance (mRMR) methods. The healthy pump data was used to train three flow-predicting machine learning models: Support Vector Regression (SVR), Random Forest (RF) and Multilayer Perceptron (MLP). Pump degradation was detected by calculating residuals between measured and predicted flow values. The models were then compared in terms of flow prediction performance and degradation detection accuracy.

The results show that the most accurate model in flow prediction is Random Forest with Mean Absolute Error (MAE) of 0.019 l/min. However, the most accurate model when applied to degradation detection is Multilayer Perceptron with balanced accuracy of 87.7%. The most influential input variables for flow prediction were identified as pump rotational speed, motor control signal and pressure. Based on these findings, flow residuals derived from machine learning model predictions can be used as health indicators for external gear pumps.

Ulkoryntöiset hammaspyöräpumput ovat yksi yleisimmistä hydraulipumpputyypeistä. Ne ovat monien hydraulijärjestelmien keskeisiä komponentteja, ja niiden kunnon heikkeneminen vaikuttaa koko järjestelmän suorituskykyyn. Nykyaikaiset hydraulijärjestelmät tuottavat usein suuria määriä dataa erilaisilla antureilla, minkä ansiosta järjestelmän kuntoa voidaan valvoa dataan perustuen. Viime vuosina datalähtöisten menetelmien kyky suorittaa automatisoitua ja nopeaa data-analyysiä on mahdollistanut koneoppimisen nopean kehityksen myös kunnonvalvonnan sovelluksissa.

Tässä diplomityössä tutkitaan koneoppimismenetelmien soveltamista ulkoryntöisten hammaspyöräpumppujen kunnonvalvontaan. Työn ensisijaisena tavoitteena oli kehittää koneoppimismalli, joka kykenee valvomaan trukin hydraulijärjestelmässä käytettävän pumpun kuntoa. Tämä toteutettiin hyödyntämällä pumpun kuntoindikaattoria, joka tässä tapauksessa perustui tilavuusvirtauksen ennustamiseen. Lisäksi tavoitteena oli tunnistaa tarkan virtausennusteen kannalta tärkeimmät anturit sekä kehittää viitekehys, joka kuvaa ohjatun koneoppimisen mallien kehittämistä ja hyödyntämistä kunnonvalvontasovelluksissa. Tutkimus yhdistää kirjallisuuskatsauksen ja empiirisen tutkimuksen. Kirjallisuuskatsauksen pohjalta kehitettiin ohjatun koneoppimisen viitekehys kunnonvalvontaan, ja sen toimivuus osoitettiin onnistuneesti työn empiirisessä osuudessa.

Mallien kehittämistä varten dataa kerättiin trukin hydraulijärjestelmästä useiden antureiden avulla, erikseen sekä terveellä että kuluneella pumpulla. Datasta muodostettiin piirteitä, joista olennaisimmat valittiin Pearsonin korrelaatiokertoimen, Spearmanin järjestyskorrelaatiokertoimen sekä Minimum Redundancy Maximum Relevance (mRMR) -menetelmän avulla. Terveestä pumpusta kerätyllä datalla koulutettiin kolme tilavuusvirtaa ennustavaa koneoppimismallia: tukivektoriregressio (engl. Support Vector Regression, SVR), satunnaismetsä (engl. Random Forest, RF) ja monikerrospäättelin (engl. Multilayer Perceptron, MLP). Pumpun kunnon heikkeneminen havaittiin laskemalla mitatun ja ennustetun virtausarvon välinen ero eli residuaali (engl. residual). Tämän jälkeen malleja verrattiin keskenään virtausennusteen suorituskyvyn sekä kunnon heikkenemisen tunnistustarkkuuden perusteella.

Tulokset osoittavat, että tarkimman virtausennusteen tuotti satunnaismetsä, jonka keski-itseisvirhe (engl. Mean Absolute Error, MAE) on 0,019 l/min. Kunnon heikkenemisen tunnistamisessa tarkimmaksi malliksi osoittautui kuitenkin monikerrospäättelin, jonka tasapainotettu tarkkuus oli 87,7 %. Virtausennusteen kannalta merkittävimmiksi muuttujiksi tunnistettiin pumpun pyörimisnopeus, moottorin ohjaussignaali ja paine. Tulosten perusteella koneoppimismallien ennustamasta tilavuusvirtauksesta johdettuja virtausresiduaaleja voidaan hyödyntää ulkoryntöisten hammaspyöräpumppujen kuntoindikaattoreina.