Elektrimasinate terviserikkeid aitaks ennetada tehisintellekt

$content['photos'][0]['caption'.lang::suffix($GLOBALS['category']['lang'])]?>
Näiteks meretuuleparkides on igasugused kulutused, mida hoolduse või rikete puhul tuleb teha, väga suured ning kiire kohale jõudmine sündmuspaika tihti problemaatiline. Autor/allikas: European Wind Energy Association/Flickr (CC BY-NC-ND 2.0)

Elektrimasinate rikked on üldjuhul ajas süvenevad, mistõttu on nende varajases staadiumis avastamine eriti tähtis. Tehisintellekti kasutamine elektrimasinate diagnostikas aitab senisest täpsemalt tuvastada ja ennetada masinates esinevaid rikkeid. Kuidas ootamatuid rikkeid ära hoida ja elektrimasinate kasuliku eluea pikkust ette ennustada, selgitab Tallinna Tehnikaülikooli doktorant-nooremteadur Karolina Kudelina.

Elektrimasinad – esmapilgul see võib kõlada nagu midagi väga insener-tehnilist, keerulist või mõnele ka midagi väga lihtsat. Fakt on aga see, et tegelikult puutuvad inimesed elektrimasinatega igapäevaselt kokku. Elektrimasin on see, mis paneb surisema elektrihambaharja, viib elektritõuksiga sinna, kuhu vaja ja aitab jahutada tuba palaval päeval.

Seda enam ei soovi ju keegi, et ootamatud rikked vajaliku seadme töökorrast välja viivad ja poodi uue järgi ajavad. Samas selge on see, et miski pole igavene ning iga masin läheb mingil hetkel katki, liiati kui seda ei hooldata ja selle tervisesse ükskõikselt suhtutakse – täpselt nagu inimestegi puhul.

Inimeste tervist mõjutavad suurel määral stress, keskkond ja muud erinevad mõjurid. Sarnane on olukord ka elektrimasinate tervise puhul. Neile mõjuvad just eelkõige elektrilised, mehaanilised ja termilised stressid. Masinate tervis korras hoidmiseks ja selleks, et nad oma ülesandeid eeskujulikult täita suudaks, tuleb neid aegsasti ja regulaarselt hooldada. Praktiliselt saab eristada kolme elektrimasinate hoolduse tüüpi: parandav, ennetav ja ettenägev hooldus.

Kolm õlekõrt
Parandava hoolduse korral teostatakse kontrolli siis, kui rike on juba juhtunud. Tundub lihtne? Nii ongi. Antud lahendus on aga mõistlik näiteks elektripirni korral. Kui lamp põleb läbi, siis ei too see kaasa suuri majanduslikke ega katastroofilisi tagajärgi. Lihtsam on tõesti poodi uue järgi minna ja mitte oma pead sellega rohkem vaevata.

Samal ajal, kui me räägime elektrijaama generaatorist või lennuki turbiinist, siis kas on võimalik lubada olukorda, kus rike juhtub ootamatult? Elektrit oleks ju kodus vaja ja kahtlase võitu lennukiga meist keegi eriti lennata ei soovi. Järelikult ei saa sellist olukorda ka lubada.

Rikke vältimiseks võib rakendada ennetavat hooldust, kus masinale teostatakse kindlat ja regulaarset kontrolli. Antud lahendus võib aidata ootamatuid tõrkeid vältida, kuid selline kindla ajakava järgi toimuv kontroll ei anna väga palju infot seadmete järelejäänud eluajast. Samuti ei võimalda see meil ennustada, millal võiks poodi minekut planeerima hakata.

Pealegi, kujutame ette, et meil on meretuulepark, mis on rajatud 20 kilomeetri kaugusele merele. Sel juhul on igasugused kulutused, mida hoolduse või rikete puhul tuleb teha, väga suured ning kiire kohale jõudmine sündmuspaika tihti problemaatiline. Tühised rikked võivad sarnases olukorras põhjustada pika tööseisaku, sest ilm on halb, kohale ei saa, elektrit ei ole ning ilmselt väga kiiresti tagasi ka ei tule.

Niisiis, kuidas vähendada kulusid, kuid samal ajal tagada ohutut masinate tööd? Ettenägev hooldus ei ole midagi muud kui seisundiseirel põhinev hooldus, mis annab võimalust ette näha tulevast riket, et õigeaegselt teostada masina tervisele olulisi protseduure. Umbes nagu inimesel on regulaarsed perearsti külastused, et ennetada tõsisemaid terviserikkeid. Seisundiseireks on tänapäeval väga palju meetodeid. Kuidas aga valida õiget diagnostikameetodit, mis annaks täpseid prognoose ja korrektsemat infot masina seisundist?

Tänane maailm on äärmiselt digitaalne. See tähendab, et üüratu hulk andmeid on pidevas liikumises igas suunas, neid tekitatakse pidevalt juurde ja andmete maht suureneb meeletu hooga. Selliseid kolossaalseid andmemassiive nimetatakse suurandmeteks. Need on nii suured, et inimene ei ole lihtsalt võimeline neid iseseisvalt töötlema ja vajalikku infot mürast eristama.

Appi tõttab tehisintellekt
Appi tõttavad tehisintellekt ja sellel põhinevad seiremeetodid. Enamasti kasutatakse elektrimasinate diagnostikas selliseid intelligentseid seisundiseire meetodeid nagu tehisnärvivõrk, hägusloogika ja ekspertsüsteem. Jällegi võib tuua paralleeli inimestega. Nagu inimestel on signaalide edastamiseks ja andmete vahetamiseks närvid ja närvivõrk, saab täpselt sama, kuid siis juba tehislikku närvivõrku, kasutada masinategi puhul.

Elektrimasinate diagnostikas saab intelligentsete meetodite abil tuvastada edukalt rikke tüüpi ja selle asukohta. Samuti saab määrata täpset aega, millal hakkab tervis alt vedama ning hoolduse aeg hakkab lähenema. Taaskord on aga erinevates töötingimustes erinevad piirangud, mille sobituvus diagnostikasüsteemi nõuab täiendavat uurimist.

Peamine probleem on suur andmete hulk, mis on vajalik tehisintellektsüsteemi õpetamiseks – sellega tegelengi oma doktoritöös Tallinna Tehnikaülikooli elektrimasinate uurimisrühmas.

Uurin diagnostikameetodeid ja nendega seotud signaalitöötlusalgoritme. Tegelen nende algoritmide väljatöötamisega ja kavatsen rakendada neid elektrimasinate diagnostikas. Nii saab tagada innovaatilist ja turvalist tulevikku, kus suriseks elektrihambahari, elektritõuks viiks sinna kuhu vaja, tuba jahtuks, kui seda on vaja jahutada ja elekter ei läheks ära. Või kui isegi läheb, siis hästi korraks.

Artikkel ilmus Eesti Teaduste Akadeemia korraldatava konkursi "Teadus 3 minutiga" raames, mille pidulik finaal toimub 5. veebruaril.

Tallinna Tehnikaülikooli elektroenergeetika ja mehhatroonika instituudi doktorant-nooremteadur Karolina Kudelina. Autor/allikas: Erakogu

 

Toimetaja: Jaan-Juhan Oidermaa

Hea lugeja, näeme et kasutate vanemat brauseri versiooni või vähelevinud brauserit.

Parema ja terviklikuma kasutajakogemuse tagamiseks soovitame alla laadida uusim versioon mõnest meie toetatud brauserist: