Condition Monitoring mit künstlichem neuronalen Netz ARI-CM
Diagnose Tool Netstrum

Effizitientes Condition Monitoring mit neuronalem Netz. Das neu entwickelte neuronale Netz ARI-CM von ARTIFIN ist ein kaskadiertes rekursives neuronales Netz. Die Aufbereitung der Prozess- und Messdaten mit Hilfe des Netzes ARI-CM erlaubt eine detaillierte und übersichtliche Darstellung des Zustandes der Anlage. Veränderungen der Drehzahl und ev. der Leistung werden vom Netz mit verarbeitet. Die Festlegung des einheitlichen kritischen Fehlerpegels 20 dBrel über alle Sensoren und Frequenzbereiche als Alarmgrenze vereinfacht die Abschätzung der Resttage-Laufzeit. Alarmgrenzen für ausgewählte Frequenzen bzw. Frequenzbereiche  entfallen.

 Der Zeitaufwand für die Überwachung der Anlagen ist auch bei einem einfachen Rechner überschaubar. Mit Bezug auf 100 Anlagen kann mit einem Zeitaufwand unter 3 Stunden gerechnet werden.

Vorteilhaft für die Schadensdiagnose ist die Verwendung des Residuums in Verbindung mit dem neu entwickelten Netstrum. Die Grundlage des Netstrum bildet ein einfaches neuronales Netz, welches als  Kammfilter das Residuum auswertet. Die sich wiederholenden Frequenzabstände werden in die Grundfrequenz übertragen und diese den Markierungen für die charakteristischen Bauteilfrequenzen gegenübergestellt.

Die Verfolgung des Anlagenzustandes mit dem  neuronalen Netz ARI-CM und dem Netstrum ist schnell, einfach und übersichtlich.

Die Datenquellen können bekanntlich sehr verschieden aufgebaut sein. Das neuronale Netz ist ohne eine angepasste Anbindung an eine Datenquelle nicht einsetzbar.

ARTIFIN ist nicht kommerziell ausgerichtet. Interessenten an der Neuentwicklung werden bei der Einführung des neuronalen Netzes  ARI-CM gerne unterstützt.

                                                                                  
                                                             

                                                                  Was ist anders als bisher

  • Das neuronale Netz ist offen für mehrere relevante Prozesswerte, wie Drehzahl, Leistung, usw.
  • Für jedes aktuelle Ist-Schwingungsspektrum, auch Hüllkurvenspektrum, wird mit der neurona- len Matrix ein Soll-Schwingungsspektrum als Prognose erstellt. 
  • Der Bereitstellung der neuronalen Soll-Schwingungsspektren erlaubt die Auswertung der Schwingungen mit Residuumspektren als Differenz zwischen den aktuellen Ist-Schwin- gungsspektren und den neuronalen Soll-Schwingungsspektren. 
  • Der Zustandstrend mit Bewertung der Relevanz bezüglich der kritischen Frequenzen basiert auf der kontinuierlichen Verfolgung der Residuumspektren. 
  • Der Tagesbericht für alle erfassten Anlagen mit Hinweisen zum Anlagenzustand und der Prognose der Resttage bis zum Ausfall der Anlage wird automatisch erstellt. 
  • Die Alarmgrenze bezogen auf die Residuumspektren ist einheitlich 20 dBrel. 
  • Die manuelle Tiefenanalyse der Residuumspektren erfolgt in der Regel erst bei Empfehlung aus dem Tagesbericht bzw. dem Resttage-Trend. 
  • Das Hauptwerkzeug für die Tiefenanalyse ist das Netstrum. 
                                                                                             

Condition Monitoring bei Windenergieanlagen
 mit dem neuronalen Netz ARI-CM

1. Maschinenüberwachung

Bei der Überwachung von Maschinen mit Last- und Drehzahlwechsel auf der Grundlage von Schwingungsmessungen treten bei scheinbar vergleichbaren Betriebszuständen abweichende Schwingungswerte auf. So können bei vergleichbarer Drehzahl und ansteigendem Lastverlauf andere Schwingungen als bei abnehmendem auftreten. Die Abweichungen können z. B. bei Erfassung der Beschleunigung durchaus 10 dBrel spektral erreichen. Die große Streuung der Schwingungswerte kann unerwünschte Alarme auslösen. Um das zu vermeiden, müssen die Alarmwerte entsprechend hoch gesetzt werden. Das Hochsetzen bewirkt jedoch eine Verminderung der Empfindlichkeit der Überwachung. Hinzu kommt, dass mit den Alarmgrenzen lediglich einige ausgewählte Frequenzbereiche überwacht werden und dass die Streuung der Schwingungswerte deren Bewertung erschwert. Im Vergleich dazu ermöglichen die assoziativen Fähigkeiten des neuronalen Netzes die laufende Überwachung der Maschine im gesamten Leistungs- und Drehzahlbereich.


 2. Neuronales Standard-Netz in der Maschinenüberwachung

Am Eingang des neuronalen Netzes (NN) können mehrere Prozess- und Messwertgrößen für die Beschreibung des Betriebszustandes eingesetzt werden. Bei einer Windenergieanlage (WEA) sind für das Control Monitoring (CM) meistens als Prozessgrößen die Drehzahl, die Leistung und die dazu gehörigen Schwingungswerte, in Form von Spektren mit z. B. 800 Stützstellen, als Messwert- datensätze verfügbar.

Das neuronale Netz muss erst lernen bzw. trainiert werden. Dafür wird eine Wissensbasis gebraucht. Diese besteht aus einer ausreichenden Menge geeigneter Messwertdatensätze. Beim Lernen werden diese nach dem Zufallsprinzip abgerufen, wobei die Prozessgrößen an die Eingänge und die Messwerte an die Ausgänge des NN angelegt werden. Eine Rückkopplung zwischen Eingang und Ausgang des Netzes sorgt dafür, dass bei jedem Durchlauf die Gewichte W und Bias ¥ des neuronalen Netzes so angepasst werden, dass zwischen den Netzausgängen und den angelegten Messwerten ein möglichst kleiner Fehler erzielt wird. Die Gewichte W und Bias ¥ bilden dann die sog. neuronale Matrix, die das „Wissen“ des NN für Prognosezwecke repräsentiert.

Nach der Lernphase kann das Netz zu Prognosezwecken eingesetzt werden. Ausgehend von den aktuellen Prozessgrößen wird mit Hilfe des neuronalen Netzes der Prognosewert berechnet und der mit dem aktuellen Messwert verglichen. Zur Beurteilung des Zustandes der Maschine wird das Residuum als Abweichung des aktuellen Messwertes vom Prognosewert herangezogen. Die Auswertung der Wirksamkeit des Netzaufbaus im Hinblick auf die Anzahl der verdeckten Schichten zeigte, dass mit steigender Anzahl der Schichten das Netz zwar genauer lernt, aber die Prognosefähigkeit sinkt, und das zwar bis zur Unbrauchbarkeit. Werden keine oder nur wenige Schichten eingesetzt, so sinkt wiederum die Genauigkeit des Lernens und die Streubreite der Messwerte kann sogar dem Lernfehler entsprechen. Der Einsatz des üblichen neuronalen Netzes im Condition Monitoring hat nicht die Erwartungen erfüllt /1/.

3. Das neuronale Netz ARI-CM

Für die besonderen Anforderungen des Condition Monitoring (CM) wurde aus dem neuronalen Netz ARI-F /2/ das neuronale Netz ARI-CM entwickelt. Die Konzeption des Netzes ARI-CM trägt der Tatsache Rechnung, dass zwar der Zustand der Maschine mit Hilfe der „äußeren“ Prozessgrößen, wie Drehzahl, Leistung, Temperaturen, Volumina usw., noch erfassbar ist, nicht aber das Verhalten einzelner Bauteile.  Wird z. B. die Maschine leistungsmäßig hochgefahren, so ist auch nach der Stabilisierung  des Leistungszustandes  das Verhalten der Bauteile ein anderes als beim Herunterfahren. Diese „inneren“ Veränderungen wirken in ihrer Summe wie ein eigener fiktiver Parameter. Manchmal fehlen auch noch wünschenswerte „äußere“  Prozessgrößen und so macht es Sinn, das Fehlende zu einem fiktiven Parameter F zusammen zu fassen und diesen als eine zusätzliche Eingangsgröße zu behandeln.

Das neuronale Netz ARI-CM setzt sich aus zwei Subnetzen mit jeweils einer Eingabeschicht und einer Ausgabeschicht zusammen. Die Eingabeschicht x besteht aus den verfügbaren Prozessparametern, wie z. B. Drehzahl bzw. Leistung, und aus einem zusätzlichen fiktiven Parameter F. Die Ausgabeschicht y besteht aus einem Parameter, wie z. B dem Schwingungswert. Beim ersten rekursiven Subnetz sind die Eingangsschicht x und die Ausgabeschicht y durch den fiktiven Parameter F als zusätzliche Prozessgröße über die ¥F-Fehlerscheife verbunden. Außer der laufenden Entwicklung der neuronalen Gewichte W wird so für jeden zu lernenden Datensatz ein Parameter F als zusätzlicher Eingabeparameter bereit gestellt, mit dem der Fehler des Netzes minimiert wird. Nach Abschluss der Entwicklung der ersten Stufe beinhaltet jeder verwendete Messwertdatensatz einen eigenen Wert des Parameters F.

In der zweiten Stufe bleiben am Eingang die Prozessgrößen x bestehen. Anstatt des Parameters F wird am Eingang der Ausgang y platziert. Die in der ersten Stufe entwickelten Werte des fiktiven Parameters F bilden jetzt den Ausgang.

Nach dem Lernen bzw. dem Training können auch für ungelernte Kombinationen der Prozessgrößen x die y-Werte prognostiziert werden. Bei der Prognose entfällt die ¥F-Schleife und im Vergleich zum Lernen erfolgt die Berechnung in umgekehrter Reihenfolge.  Zu erst wird der fiktive Parameter F mit der zweiten Stufe des Netzes ermittelt und anschließend mit der ersten Stufe der Sollwert y. Wird für CM an die Eingänge x die Drehzahl und die Leistung angelegt, und an den Ausgang y die Schwingung, dann ist das Ergebnis der Berechnung der neuronale Sollwert der Schwingungen. Das Residuum als Unterschied zwischen dem tatsächlichen Ist-Messwert und dem neuronalen Sollwert beschreibt  den Zustand der WEA.

Bei einer WEA werden z. B 35 Kanäle überwacht. Als Kanal wird das jeweilige Spektrum für eine Bauteilgruppe mit 800 Stützstellen angesehen. Das Netz ARI-CM kann zwar beliebig viele Eingänge haben, verfügbar ist lediglich ein Ausgang. Für ein Spektrum mit 800 Stützstellen sind daher 800 „kleine“ Netze erforderlich. Für die Anwendung werden diese zu einer „großen“ neuronalen Matrix zusammengefasst. Die Lerndauer ist von der Größe der Wissensbasis abhängig. Bei einem einfachen Rechner kann je Kanal für 200 Spektren und 800 Stützstellen eines Spektrums mit 0.3 Stunden gerechnet werden.


4. Zustandsüberwachung mit dem neuronalen Netz ARI-CM

Das ausführende Programm, die Software, besteht aus dem neuronalen Teil (NN) und dem Control Monitoring Teil (CM).

Die Aufnahme einer neuen WEA in die Überwachung erfolgt über den NN-Teil mit der Festlegung des Ortes, des Windparks und der WEA-Nummer mit Benennung. Danach werden die notwendigen Verzeichnisse automatisch erzeugt.

Vor der Überwachung mit dem CM-Teil müssen im NN-Teil die neuronalen-Matrizen erstellt werden. Für jeden Sensor, Frequenzbereich und andere Vorgaben steht ein Kanal als Referenz. Anhand der Referenzen werden entsprechende Trainingsdaten als Wissensbasis aus den Messwert- Datensätzen aufgebaut. Diese bestehen aus Prozessgrößen, wie z. B. Drehzahl und Leistung, und aus den dazu gehörigen spektralen Schwingungswerten.  Die Information zur Leistung oder anderen möglichen Prozessparametern muss nicht unbedingt vorliegen. Von Bedeutung ist, dass die Wissensbasis des neuronalen Netzes eine breite Streuung an Prozess- und Messwerten besitzt.

Der Lernzeitraum wird nach Bedarf bestimmt. Das Lernen kann beginnen, wenn die Anlage und die Messkette stabilisiert sind, und einige repräsentative Messdatensätze verfügbar sind. Um die erste Informationslücke zu schließen, können als Wissensbasis die Messdatensätze aus den ersten 14 Tagen nach der Inbetriebnahme verwendet werden. Wiederholt wird die Lernprozedur später, z. B. nach 3 Monaten. Für diesen Zeitraum liegen in der Regel ausreichend repräsentative Daten vor. Der jeweilige Lernprozess läuft automatisch ab und nach dem Abschluss stehen im CM-Teil aktualisierte Daten zur Verfügung. Das neuronale Netz kann nicht die Wissensbasis fehlerfrei lernen und der Lernfehler beträgt 5 dBrel.

Nach der Entwicklung der neuronalen Matrizen kann die Überwachung der WEA im CM-Teil gestartet werden. Das neuronale Netz ist von den jeweiligen Betriebzuständen kaum abhängig. Daher reicht es beispielsweise 4 beliebige Messwertdatensätze je Tag und Anlage in vorgegebenen Zeitintervallen abzurufen. Die Messwerte liegen als Spektrum mit z. B. 800 Stützstellen in dBrel vor. Für jede Stützstelle des Frequenzspektrums wird mit dem neuronalen Netz eine Prognose als Soll-Wert berechnet und mit dem aktuellen Ist-Wert verglichen. Das Residuum als Unterschied zwischen den beiden Werten ist die Grundlage für die Trenddarstellung und die Diagnose.

Das Interface für die Datenakquisition von der Datenquelle in den neuronalen Bereich muss gesondert angepasst werden.


5. Anwendung

Bei der Datenaquisition für den vorbestimmten Zeitraum werden mit dem neuronalen Netz für die Stützstellen der Frequenzspektren bei den ankommenden Messwertdatensätzen die Soll-Werte berechnet und mit dem ankommenden Ist-Werten verglichen. Die Residuen als Unterschied zwischen den beiden Werten werden ausgewertet und als Grundlage für die Erstellung der Berichte über den Zustand der Anlage verwendet. Im folgendem Bild 1 wird der Tagesbericht gezeigt.

  

                                                              Bild 1. Tagesbericht

Der Tagesbericht enthalt Hinweise zum Zustand einzelner Anlagen. Die Aufmerksamkeit ist dann  auf Anlagen zu richten, die kommentiert sind, hier insbesondere die WEA_04. In dieser Größenordnung dauert  die Bereitstellung der Informationen etwa 5 s. Außerdem erscheint der Tagesbericht in vereinfachter Form bei jedem Programmstart, so dass ein sofortiger Überblick über den Zustand der Anlagen besteht. Der Tagesbericht kann jederzeit aktualisiert werden.

Vom Tagesbericht aus wird über das farbige Rechteck auf der linken Bildseite für den kritischen Sensor und das kritische Frequenzband der Trend der Resttage  abgerufen (Bild 2).

  

                                                  Bild 2. Trend Resttage

Für weiter gehende Information steht das Residuum zur Verfügung, welches direkt vom Trendbild abgerufen werden kann. Daraus werden detaillierte Informationen über den Schaden abgeleitet. In diesem Fall zeigt das Residuum (Bild 3), dass die Zwischenwelle (Markierung 1) mit Abweichungen vom Normalzustand über 20 dBrel betroffen ist.

  

                                                          Bild 3. Residuum

Für die Auswertung der Residuen wird erstmals das Netstrum eingeführt. Das Netstrum ist eine  Eigenentwicklung von ARTIFIN, in Bild 3 in Magenta dargestellt. Die Grundlage des Netstrum bildet ein einfaches neuronales Netz, welches als  Kammfilter das Residuum auswertet. Die sich wiederholenden Frequenzabstände werden in die Grundfrequenz übertragen und diese den Markierungen für die charakteristischen Bauteilfrequenzen gegenübergestellt. In diesem Fall zeigt das Netstrum auf die Grundfrequenz der Zwischenwelle (Markierung 1). Für die charakteristischen Fehlerfrequenzen der Lager der Zwischenwelle, die Markierungen 2 bis 4 für den Außenring, Innenring und Wälzkörper, lag keine Übereinstimmung mit dem Netstrum vor.

Der Langzeittrend (Bild 4, 5) bietet den Überblick der Fehlerentwicklung über alle erfassten Sensoren und Frequenzbereiche. Der ansteigender Trend bei Planetenstufe, Stirnradstufen erreicht Werte über 20 dB und zeigt einen ernsthaften Schaden an. Am rechten Rand sind die  Resttage angegeben. Ob sich der Fehler vergrößert oder verringert hat zeigt der Unterschied der Höhe des Magenta- und des Cyan-Balkens an.

   

                                   Bild 4. Langzeittrend, Frequenzbereich 100 Hz

                                 

                                  Bild  5. Langzeittrend, Frequenzbereich 1000 Hz

Die Güte der Übereinstimmung zwischen dem Netstrum und den jeweiligen charakteristischen Frequenzen der Bauteile ist die Relevanz. In Bild 4, 5 wird sie als grüner Balken auf der rechten Bildseite für die  Stirnradstufe 1 angezeigt.


6. Bewertung

Die Verfolgung des Zustandes der WEA mit dem neuronalen Netz ARI-CM ist zuverlässig sowohl vom Trend als auch von der Fehlerdiagnose her. Die Festlegung des einheitlichen Fehlerpegels 20 dBrel über alle Sensoren und Frequenzbereiche als Alarmgrenze erlaubt die Abschätzung der Resttage-Laufzeit. Alarmgrenzen für  ausgewählte Frequenzen bzw. Frequenzbereiche entfallen.
Vorteilhaft bei der Schadensdiagnose ist die Verwendung des Netstrum in Verbindung mit dem Residuum.
Die Lerndauer des Netzes ist  von der Größe der Wissensbasis abhängig. Gerechnet werden kann mit 0.4 Stunden je Kanal und 800 Stützstellen eines Spektrum.

Die Zustandsanalyse erfolgt in drei diagnostischen Stufen. 

  • Die 1. Stufe der Diagnose ist Routine und sie erfolgt im Tagesbericht (Bild 1). Die Zustände der Anlagen sind klassifiziert und  mit wichtigen Anmerkungen versehen.  Ist alles im “grünen Bereich”, dann bedarf es keiner weiteren Analyse.   
  • Die 2. Stufe der Diagnose erfolgt bei angezeigter Verschlechterung des Anlagenzustandes mit dem Resttage-Trend (Bild 2). Dieser zeigt den Trend der letzten 60 Tage an. Anhand des Resttage-Trends wird entschieden, ob eine Tiefenanalyse erforderlich ist.  
  • Die 3. Stufe der Diagnose ist die Tiefenanalyse mit dem sofort abrufbaren Residuum-Spektrum (Bild 3). Ausgehend vom Residuum-Spektrum wird anhand der Markierungen für kritische Frequenzen und dem Netstrum den Ursachen für die Trendverschlechterung nachgegangen. Die Orientierung bei der Ermittlung der Fehlerursache bietet  die  Relevanz als Übereinstimmung der Fehlermarkierungen mit dem Netstrum. Sinnvoll ist es stichprobenweise auch den Gesamtzustand der Anlage über alle Sensoren mit dem Abruf des Langzeittrends (Bild 4, 5) zu überprüfen. Die Daten über 3 Jahre für eine Anlage mit  35 verfolgten Kanälen sind in etwa 20 s verfügbar.

Der Zeitaufwand für die Überwachung der Anlagen ist auch mit einem einfachen Rechner überschaubar. Mit Bezug auf 100 Anlagen kann mit einem Zeitaufwand unter 3 Stunden gerechnet werden.

Quellen:

/1/ http://www.artifin.de/Datenmanagement/Messwerte/messwerte.html
Messwertemanagement mit neuronalen Netzen

/2/ http://www.artifin.de/Trend/trend.html
Zustandserfassung einer Maschine mit neuronalen Netzen

ARTIFIN am  07.11.2011, zuletzt am 31.03.2013