Neuron Soundware prodlužuje životnost eskalátorů v pražském a vídeňském metru

Dopravní podnik hl. m. Prahy a společnost Wiener Linier přistupují k novým trendům v oblasti prediktivní údržby progresivně, což odráží rostoucí očekávání cestujících, ale i požadavky na efektivitu, řízení lidských zdrojů, dlouhodobé investice a digitalizaci zařízení a procesů.

Díky výsledkům technologie využívající umělou inteligenci ke zpracování zvukových a vibračních signálů jsme ve spolupráci s Dopravním podnikem hl. m. Prahy a společností Wiener Linien dokázali identifikovat možnosti prodloužení životnosti eskalátorů, zkrácení jejich odstávek a stanovení priorit činností týmu údržby.

Více než roční spolupráce na monitorování eskalátorů prostřednictvím řešení Neuron Soundware vyvrcholila kontrolovaným zátěžovým testováním jednotlivých komponent eskalátorů umístěných v přestupní stanici metra. Cílem testu bylo vždy ověřit detekci hrozící poruchy. Tato případová studie vás provede celým testováním a ukáže vám jeho výsledky.

Monitorování pohyblivých schodů jako specifického zařízení vedlo k přizpůsobení technologie a postupů, které NSW běžně používá v oblasti průmyslových podniků (monitorování čerpadel, ventilátorů, kompresorů atd.). Tato případová studie rovněž posloužila k vybudování segmentových odborných znalostí v oblasti eskalátorů jako celku, nikoliv pouze jednotlivých dílčích komponent.

Výsledky simulace

Pro simulaci poruchových stavů bylo vybráno třináct částí stroje v levé části eskalátoru. Jednalo se o sledovaný typ eskalátorů Thysen FT-732.

Simulační skupina

Typ simulace

Namontovaný díl

I. Válečky - řetězové a stupňovité

- Trhliny v rolích obvazu 1, 5, 10 mm, odmašťovací role, 1-3 role

II. Koleje - hlavní/zpětný chod, pomocný/zpětný chod

- Vlnění na kolejovém úseku, díra v kolejovém úseku, povolené spoje kolejových úseků

III. Odlehčovací křivky

Změna nastavení - pokles (horní a dolní)

IV. Posypový materiál

Cizí předmět v hřebenové desce

V. Rukojeť

Příliš těsný tlak na madlo/volnost při změně nastavení

VI. Průvodce pravítkem

Změna nastavení - zvětšení mezery vodicího pravítka

VII. Vyrovnání pásem v krocích

Změna nastavení - napínání/uvolňování napínacích pružin

VIII. Hnací kola

Vypouštění olejové náplně

IX. Šneková převodovka

Vypouštění olejové náplně

Tabulka: seznam a typy simulací spolu s částí eskalátoru, která má být namontována

Jako průkazné se ukázaly změny v detekci zvuku a anomálií pomocí matematického modelu šíření materiálu na hřebenové desce, úbytek nánosů oleje ve šnekové převodovce a převodovém ústrojí, změna v nastavení reliéfních křivek a uvolnění rukojeti. Pokud by došlo alespoň k slabé detekci, upgrade modelu by pravděpodobně výrazně zlepšil výsledek (válečky, koleje).

Neuronová síť

Při této analýze byla použita neuronová síť (odkaz), která byl ve spolupráci s DPP vycvičena na datech ze všech 21 strojů, které byly dříve vybaveny senzory NSW.

Spektogramy a zvuk

Před zpracováním zvukového signálu neuronovou sítí je zvuk převeden na spektrogramy pomocí STFT (Short Term Fourier Transform). Spektrogram je zobrazení intenzity zvukového signálu na různých frekvencích v čase.

Osa y představuje frekvenci signálu, osa x představuje hodnotu čas, míra zabarvení představuje intenzitu signálu - hlasitost. (Žlutá = nejvyšší energie, intenzita signálu, tmavě fialová = nízká energie, nízká intenzita signálu).

Pro ilustraci je na horním obrázku čistý zvukový signál, uprostřed je spektrogram tohoto signálu a dole je znázorněno rozložení frekvencí pro nominální zvuk (zelená křivka) a simulaci zvuku poškozené části stroje (hnědá křivka).

I. Posypový materiál uvízlý v hřebenové desce

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

Popis simulované poruchy

Během provozu eskalátoru dochází k zasekávání posypového materiálu pod hřebenovou deskou, což způsobuje obrušování schodišťových stupňů a v nejhorším případě může dojít k vylomení zubů z hřebenové desky. Tento typ poruchy může velmi rychle eskalovat od počátku problému až po jeho fatální následky, proto je nesmírně důležité zavést monitorování v reálném čase a provádět měření často.

Možné následky poruchy

Rozsypaný materiál zachycený pod hřebenovou deskou, který zasahuje dále do eskalátoru, může způsobit nákladné následky, jako je nesprávné nastavení vodicího pravítka schodů a jeho následné úplné vychýlení.

Projevy při přítomnosti posypového materiálu v hřebenové desce

Zvuk byl charakteristický i pro lidské ucho. V nahrávkách byl zřetelný rozdíl oproti běžnému provozu, což dokládá spektrogram a frekvenční spektrum. Tyto projevy pak reflektoval model, který závadu detekoval.

Závěr

Jak je vidět z této analýzy poruch, model poruchu jasně odhalil. Při porovnání s běžným provozem bez poruchy, kdy po eskalátoru chodí lidé, byl model schopen rozlišit rozdíl a nevytvářel falešné výstrahy.

Únik maziva a tlak v rukojeti

Jak je uvedeno v první tabulce, kromě detekce cizích objektů na hřebenové desce existují i další poruchy. Neuronové sítě úspěšně detekovaly únik maziva a nenapnutou rukojeť, jak je vizualizováno na obrázcích níže:

II. Provoz s únikem maziva z převodovky (šneková převodovka)

III. Tlak na pohyblivé madlo

Tlak na madlo slouží ke správnému napnutí pásu pohyblivého madla tak, aby nesklouzlo nebo nespadlo v důsledku nadměrné vůle a nebylo příliš utaženo nebo nezpůsobilo zvýšené opotřebení.

Výhody technologie monitorování akustické detekce

Tato případová studie zahrnovala čtyři simulace, které demonstrovaly vhodnost řešení dálkového akustického monitorování s využitím technologie zpracování dat pomocí umělé inteligence. Z testování vyplynuly následující výhody:

Údržba dopravních zařízení získává nástroj pro odhalování vznikajících závad na sledovaných komponentách eskalátorů a z toho vyplývající schopnost plánovat servisní zásahy a snižovat havarijní prostoje eskalátorů.
Údržba dopravních staveb získává systémový nástroj pro dálkové ovládání monitorovaných komponent eskalátorů v systému DPP Údržba dopravních staveb.
Údržba dopravních zařízení získává nástroj pro dlouhodobé sledování provozu eskalátorů
Údržba dopravních zařízení získává možnost ukládání akustických záznamů jednotlivých sledovaných částí eskalátorů pro porovnání poslechem nahraných zvuků stroje v čase nebo po provedených opravách.

Údržba dopravních zařízení může okamžitě zobrazit informace o provozu konkrétní sledované části eskalátoru.

Přínosy projektu pro klienta DPP

Projekt zavádí systém monitorování a vývoj interních procesů pro práci s údaji z monitorování eskalátorů.

Projekt přispívá k poznání požadavků na instalaci senzorové technologie v prostředí metra.

Projekt pomáhá identifikovat komponenty eskalátorů vhodné pro instalaci technologií sběru akustických dat. Získané informace slouží k posouzení a výběru strojních součástí vhodných pro budoucí monitorování pomocí akustické detekce.

Projekt pomáhá nastínit způsob, jak zvládnout omezení vyplývající z nedostatku kvalifikovaných pracovníků údržby.

Posudek klienta

DPP spolupracuje se společností Neuron SW v oblasti průběžného monitorování a včasné detekce závad na 21 eskalátorech, jakož i rozsáhlé simulace a včasné detekce skutečných závad. Spolupráce je velmi úzká napříč úrovněmi obou subjektů a díky nasazení obou týmů rychle dochází k přínosnému pokroku.

Náš tým spolupracoval se společností Neuron Soundware na určení klíčových míst pro umístění senzorů na dopravních zařízeních s cílem prodloužit interval preventivních kontrol na základě výsledků testování. Mezi další výhody patří zkrácení provozních prostojů, prodloužení životnosti eskalátorů a stanovení priorit činností týmu údržby. Konkrétní vyčíslení celkových přínosů je předmětem probíhající studie.

Komplexní monitorování zahrnuje provoz motoru a převodovky eskalátoru, stav hřebenových a plošinových desek, stav napnutí tažného řetězu a polohu napínacího vozíku, stav napnutí pohyblivých madel a polohu odlehčovacích oblouků. U těchto komponent eskalátoru systém Neuron SW spolehlivě detekoval odchylky od nominálního stavu a upozornil na vznikající problémy v jejich počáteční fázi.

Technické řešení od společnosti Neuron Soundware prokázalo svou funkčnost, a proto plánujeme pokračovat v našich aktivitách se společností Neuron SW v oblasti digitálního monitorování pohyblivých schodů.

Ing. Petr Vondráček, vedoucí služby dopravního systému, Dopravní cesta Metro, Dopravní podnik hl. m. Prahy, a.s.