REPOZITORIJ > REZULTATI

Povzetek

Električni motorji se proizvajajo v izjemno velikih količinah in so ključni deli sodobnih industrijskih in potrošniških sistemov ter naprav. Za zagotovitev njihove zanesljivosti so potrebni robustni avtomatski sistemi končnega nadzora kakovosti (EoL), ki lahko odkrijejo mehanske in elektromehanske napake. Končna kontrola kakovosti se izvaja na koncu proizvodnih linij, mora slediti tempu proizvodnje in je predmet stroškovnih omejitev. Med postopkom kontrole kakovosti se zajemajo različni električni, vibracijski, akustični in drugi signali. Ti signali se obdelajo po vnaprej določenih metodah obdelave signalov (npr. digitalno filtriranje, zmanjševanje vzorčne frekvence, Hammingovo okno) z namenom določanja diskretnih skalarnih vrednosti, imenovanih značilke, ki opisujejo lastnosti posameznega preiskovanega primerka. Ta postopek se pogosto imenuje inženiring značilk (ang. feature engineering). Vendar se tradicionalni sistemi močno opirajo na značilke, ki jih opredelijo strokovnjaki, pravila, ki temeljijo na mejnih pragovih, in vnaprej definiranih testnih postopkih. Ti sistemi so omejeni v prilagodljivosti in robustnosti v sodobnih, zelo spremenljivih industrijskih okoljih.
Ta disertacija preučuje uporabo pristopov strojnega učenja, prenosa znanja in globokega učenja za inteligentni končni nadzor kakovosti brezkrtačnih enosmernih motorjev med proizvodnjo z uporabo dejanskih industrijskih podatkov iz avtomatiziranih proizvodnih linij. Razviti in ovrednoteni so trije dopolnjujoči se pristopi.
Prvič, nadzorovano strojno učenje v kombinaciji z avtomatizirano izbiro značilk zmanjšuje kompleksnost diagnostike ter hkrati izboljšuje učinkovitost klasifikacije in obrazložljivost. Drugič, prenos znanja pospeši zagon sistemov za nove tipe motorjev z omejenimi podatki iz predproizvodnje, saj ponovno uporabi znanje iz modelov za masovno proizvodnjo. Tretjič, predlagan je pristop globokega učenja, ki temelji na Mel-frekvenčnih spektrogramih ter hibridni konvolucijski nevronski mreži (CNN) in arhitekturi dvosmerne ponavljajoče se nevronske mreže (BiGRU), za odkrivanje napak neposredno iz surovih vibracijskih in akustičnih signalov, kar odpravlja potrebo po ročni obdelavi značilk, ki jo sicer opravijo eksperti.
Vse metode so preverjene z uporabo obsežnih industrijskih podatkov, pridobljenih iz popolnoma avtomatiziranega sistema za končni nadzor kakovosti. Rezultati kažejo, da avtomatizirana izbira značilk izboljša učinkovitost in robustnost, prenos znanja znatno zmanjša zahteve glede podatkov in čas zagona proizvodnje, globoko učenje pa izboljša odkrivanje kompleksnih signalov napak. Ti izsledki potrjujejo, da lahko sistemi za končni nadzor kakovosti, ki temeljijo na umetni inteligenci, zmanjšajo odvisnost od strokovnjakov ter zagotovijo prilagodljive in zanesljive rešitve za sodobno proizvodnjo elektromotorjev.