Sergio Martin Del Campo Barraza, doktorand vid SKF-LTU UTC, Luleå tekniska universitet. Foto: Nicholas Dittes Visa originalbild , Öppnas i nytt fönster/flik

Smart maskin lär sig själv

Publicerad: 26 september 2014

En ny självlärande metod för att tidigt kunna förutsäga och förhindra skador på kullager. Det är något som utvecklas av doktoranden Sergio Martin Del Campo Barraza vid SKF-LTU UTC, Luleå tekniska universitet.

Sparse Feature Learning heter konceptet som utvecklas inom SKF-LTU University Technology Centre, där forskare tillsammans med SKF arbetar med ny teknologi för övervakning av maskiner med smarta instrumenterade kullager. Metoden tillämpas på sensorer som registrerar högfrekventa ljudvågor, s.k. akustisk emission. Akustisk emission genereras bl.a. av fysikaliska processer som leder till slitage på maskiner.

Akustisk signal varnar för skador

– Den stora fördelen med tekniken är att vi tidigt kan förutse skador som kan orsaka driftstopp, säger Sergio Martin Del Campo Barraza, doktorand vid SKF-LTU University Technology Centre, Luleå tekniska universitet.

– Metoden ger oss möjlighet att förenkla ingenjörsarbetet genom att bearbeta komplexa ljudsignaler. När den högfrekventa ljudsignalen registrerats via en trådlös sensor, jämförs den med olika vågformer som finns lagrade i en databas. Den akustiska signalen klassificeras utifrån hur bra och hur ofta de matchar vågformerna i databasen. Olika kombinationer av vågformer kan kopplas till specifika situationer som förvarnar om skador på maskinens komponenter.

Maskinen lär sig via databas

Databasen kommer att automatiskt kunna uppdateras med maskininlärningsmetoder. Återkommande mönster i data identifieras och kopplas till fysikaliska modeller eller information om andra liknande maskiner.

– Man kan säga att maskinen använder erfarenheter av situationer där skador uppstått och på så sätt lär sig att själv förvarna när det finns risk för skador, säger Sergio Martin Del Campo Barraza.

Forskning om ny teknik för smarta maskiner bedrivs bland annat vid avdelningen EISLAB och SKF-LTU University Technology Centre vid Luleå tekniska universitet.

Text: Åsa Svedjeholm

Taggar