Neuron soundware prodlužuje životnost eskalátorů v metru

Zákazník, společnost zajišťující hromadnou přepravu osob, aktivně přistupuje k novým trendům v oblasti prediktivní údržby. Díky výsledkům technologie využívající zpracování zvukových a vibračních signálů pomocí umělé inteligence se podařilo identifikovat příležitosti pro prodloužení životnosti eskalátorů, snížení jejich výpadků a prioritizovat aktivity týmu údržby.

Více než rok trvající spolupráce na monitorování pohyblivých schodů řešením Neuron soundware pomyslně vyvrcholila řízeným zátěžovým testováním jednotlivých komponent eskalátorů umístěných na přestupní stanici metra. Cílem testu vždy bylo ověření rozpoznání blížící se poruchy.

Níže přinášíme stručné shrnutí výsledků. 

---

---

Ukázka vyhodnocení simulované poruchy
detekce zapadlého kamínku do hřebenové desky pomocí AI

Posypový materiál zaseknutý v hřebenové desce – podrobný popis testu

Hřebenová deska je prvek pohyblivých schodů, který se nachází na začátku a na konci pohyblivých schodů. Slouží jako přechodový prostor mezi schodištěm a nástupní deskou eskalátoru.

Popis simulované poruchy

Během provozu eskalátoru dochází k zaseknutí posypového materiálu pod hřebenovou deskou, což způsobuje vybroušení schodišťových stupňů a v nejhorším případě může dojít k vylomení zubů z hřebenové desky. Tento typ poruchy může velmi rychle eskalovat od začátku problému do jeho fatality a je tak enormně důležité realizovat monitoring v reálném čase a náměry provádět v krátkých sekvencích.

Možné následky poruchy

Posypový materiál uvízlý pod hřebenovou deskou, který se dostane dále do útrob eskalátoru může způsobit nákladné následky jakou jsou nesprávně nastavení vodicího pravítka schodiště a jeho následné celkové vyosení.

Projevy při přítomnosti posypového materiálu v hřebenové desce

Zvuk byl výrazný i pro poslech pouhým uchem. Na nahrávkách byl jasně patrný rozdíl oproti běžnému provozu, jak dokládá spektrogram a frekvenční spektrum.  Tyto projevy pak reflektoval model, který detekoval závadu.

Závěr

Jak je z této analýzy závad patrné, model závadu jasně odhalil. Při porovnání s běžným provozem bez závady, kdy po eskalátoru chodí lidé, byl model schopen rozlišit rozdíl a nevytvářel falešné výstrahy.

Jaké další simulace jsme prováděli a jak dopadly?
-> Výsledky dalších simulací poruch na pohyblivých schodech

Pro simulování poruchových stavů bylo vybráno 13 strojních částí levé části pohyblivých schodů.  Jednalo se o monitorovaný typ pohyblivých schodů Thysen FT-732.

Skupina simulací	Druh simulace	Osazovaná část
I. Rolny – řetězové a stupňové	– Praskliny v bandáži rolny 1, 5, 10mm – Odmaštění rolny, 1-3 ks rolen
II. Dráhy – hlavní/zpětné, pomocné/zpětné	– Vlnky na segmentu dráhy – Otvor v segmentu dráhy – POvolené spojky segmentů dráhy
III. Odlehčovací křivky	Změna seřízení – pokles (horní a spodní)
IV. Posypový materiál	Cizí předmět v hřebenové desce
V. Madlo	Změna seřízení povolený přítlak/příliš utažený přítlak madla
VI. Naváděcí pravítko	Změna seřízení – zvětšení mezery naváděcího pravítka
VII. Vyosení schodového pásma	Změna seřízení – předepnutí/povolení pružin napínacího vozíku
VIII. Poháněné soukolí	Vypuštění olejové náplně
IX. Šneková převodovka	Vypuštění olejové náplně

Jako jasně průkazná se ukázala změna zvuku a detekce anomálie pomocí matematického modelu posypového materiálu na hřebenové desce, úbytek olejové nápně ve šnekové převodovce a převodovém soukolí, změna seřízení odlehčovacích křivek a povolení madla. Pakliže došlo k alespoň ke slabé detekci, upgrade modelu by předpokládaně výrazně zlepšil výsledek (rolny, dráhy).

Jak funguje neuronová síť, která odhaluje poruchy?

Pro tuto analýzu byla použita neuronová síť (link), která byla natrénována na datech ze všech 21 ti strojů, které byly v rámci spolupráce s DPP dříve osazeny NSW senzory.

Jak technologie zpracovává zvuková data ze strojů?

Před zpracováním audio signálu neuronovou sítí se zvuk převádí na spektrogramy přes STFT (Krátkodobá Fourierova transformace). Spektrogram je reprezentace intenzity audio signálu na různých frekvencích v čase.

Osa y představuje frekvenci signálu, osa x představuje čas a míra zabarvení znázorňuje intenzitu signálu – hlasitost. (Žlutá barva  – nejvyšší energie, intenzita signálu, Tmavě fialová  barva – nízká energie, nízká intenzita signálu).

Pro znázornění, horní obrázek je čistý zvukový signál, prostřední je znázornění daného signálu pomocí spektrogramu a spodní  ukazuje rozložení frekvence pro nominální zvuk (zelená křivka) a  zvuk simulace poškozené strojní části (hnědá křivka).

Jaké jsou přínosy technologie monitoringu pomocí akustické detekce?

Součástí této případové studie byly  simulace, které prokázaly vhodnost řešení vzdáleného akustického monitoringu pomocí technologie využívající ke zpracování dat umělou inteligenci. Přínosy, které z testování vyplynuly, jsou popsány zde. Provozovatel využitím řešení od Neuron soundware získává:

• nástroj pro odhalování vznikajících poruch na monitorovaných součástech pohyblivých schodů a z toho plynoucí možnost plánovat servisní zásahy a snižovat mimořádné odstávky pohyblivých schodů
• systémový nástroj pro vzdálenou kontrolu monitorovaných součástí pohyblivých schodů v systému údržby Dopravních zařízení DPP
• nástroj pro dlouhodobé monitorování provozu pohyblivých schodů
• možnost ukládání akustického záznamu jednotlivých monitorovaných částí pohyblivých schodů pro porovnání poslechem nahraných zvuků stroje v čase nebo po realizované opravě
• možnost okamžitě zobrazovat informace o provozu konkrétní monitorované části pohyblivých schodů

Sdílet článek