Itseorganisoituvan kartan soveltaminen koneiden kunnonvalvontaan ja vikojen luokitteluun

Teollisuuden kunnonvalvonnassa on siirrytty korjaavasta kunnossapidosta ennakoivaan kunnonvalvontaan. Tällä pyritään vähentämään odottamattomien seisokkien määrää ja tehostamaan tuotantoa. Samalla ihmisille ja ympäristölle aiheutuvat vaaratilanteet vähenevät. Automaattiset, älykkäät kunnonvalvontajärjestelmät ovat vähitellen tulossa osaksi teollisuuden ennakoivaa kunnonvalvontaa. Ennakoivassa kunnonvalvonnassa voidaan käyttää hyväksi analyyttisiä malleja sekä tietämys- ja tietopohjaisia malleja. Neuroverkkojen soveltuvuutta kunnonvalvontaan on tutkittu varsin laajasti. Prof. Kohonen kehitti itseorganisoituvan kartan (SOM) 1980-luvun alussa Informaatio-tekniikan laboratoriossa. Itseorganisoituvaa karttaa on sovellettu mm. hahmontunnistukseen, epälineaaristen prosessien mallintamiseen, luokitteluun sekä viime vuosina myös taloustieteisiin. Itseorganisoituva kartta on algoritmina varsin yksinkertainen ja tehokas. Lisaksi se on erittäin havainnollinen. Sille pitää vain valita järjestelmää kuvaavat syötteet. Se voidaan opettaa sopivasta syöteaineistosta tunnistamaan hyvin erilaisia vikoja, kuten esim. sähkömoottorin laakeri- ja roottoriviat. Työssä tutkittiin itseorganisoituvan kartan soveltumista induktiomoottorissa esiintyvien vikojen tunnistamiseen. Tyypillisimmät induktiotiomoottorissa esiintyvät viat ovat staattorin vauriot, roottorisauvojen vauriot sekä laakeriviat. Neuroverkon syötteinä käytetään mm. värähtelymittauksista laskettavaa taajuusspektriä sekä kiihtyvyyden korkeampiasteisia derivaattoja. Havaitaan, että sopivalla signaalinkäsittelyllä ja neuroverkolla voidaan toteuttaa hyvin erilaiset viat tunnistava automaattinen ja älykäs kunnonvalvontajärjestelmä