Remaining useful life prediction using a nonlinear state-space model under random stress

Große Maschinen, die Wind in Elektrizität umwandeln, verlassen sich auf massive, rotierende Gelenke, sogenannte Wendelager, um ihre schweren Komponenten in Position zu halten. Diese Lager sind die stillen Arbeitspferde der Windkraftindustrie; sie tragen das Gewicht der Turbine und ermöglichen es ihr, sich in den Wind zu drehen. Sie arbeiten jedoch in einer rauen Umgebung, in der sie ständig von unvorhersehbaren Kräften attackiert werden. Der Wind weht nicht stetig; er böig, wechselt die Richtung und lässt nach, was eine chaotische Mischung aus Lasten erzeugt, die die Metalllaufbahnen und die Wälzkörper im Inneren des Lagers beanspruchen. Mit der Zeit führt dieses unaufhörliche, zufällige Hämmern dazu, dass das Metall verschleißt und ermüdet, was schließlich zum Ausfall führt. Genau vorherzusagen, wann ein Lager brechen wird, ist eine kritische Herausforderung für Ingenieure. Wenn sie zu früh schätzen, verschwenden sie Geld durch den Austausch von Teilen, die noch gut sind. Wenn sie zu spät schätzen, fällt das Lager unerwartet aus, was kostspielige Stillstandszeiten und potenzielle Sicherheitsrisiken verursacht. Das Ziel besteht darin, die Anzeichen von Verschleiß zu erkennen und die verbleibende Nutzlebensdauer mit ausreichender Präzision zu berechnen, um die Wartung genau rechtzeitig einzuplanen.

Seit Jahrzehnten versuchen Wissenschaftler, dieses Rätsel mit zwei Hauptansätzen zu lösen. Eine Methode stützt sich auf die Gesetze der Physik und erstellt komplexe mathematische Modelle darüber, wie Metall Risse bildet und verschleißt. Obwohl diese Modelle theoretisch fundiert sind, sind sie oft zu schwierig auf reale Maschinen anzuwenden, da die exakten Bedingungen im Inneren eines rotierenden Lagers unmöglich perfekt zu messen sind. Der andere Ansatz nutzt datengesteuerte Methoden, bei denen Computer aus vergangenen Ausfällen lernen, um zukünftige vorherzusagen. Diese Methoden funktionieren gut, wenn eine enorme Menge an historischen Daten vorhanden ist, aber in der realen Welt sind solche Daten oft knapp oder unvollständig. Ein dritter Weg, der Elemente aus beiden kombiniert, nutzt statistische Modelle, um zu verfolgen, wie sich eine Maschine im Laufe der Zeit verschlechtert. Diese Modelle behandeln den Verschleiß als eine zufällige Reise und erkennen an, dass der Weg zum Ausfall selten eine gerade Linie ist. Die meisten dieser bestehenden Modelle haben jedoch eine Schwachstelle: Sie gehen oft davon aus, dass die Belastung der Maschine stetig oder vorhersehbar ist, und versäumen es, die chaotische, zufällige Natur des Windes und der dadurch erzeugten Lasten zu berücksichtigen.

In einer aktuellen Studie setzten sich Forscher daran, diese Schwachstelle zu beheben, indem sie einen neuen Weg zur Vorhersage der Lebensdauer von Windkraftanlagen-Wendelagern entwickelten. Sie erkannten, dass die zufällige Belastung durch Windböen und ungleichmäßige Lasten den Degradationsprozess auf eine Weise beschleunigt, die Standardmodelle übersehen. Um diese Realität einzufangen, entwickelten sie ein ausgeklügeltes Vorhersage-Framework, das den Verschleiß des Lagers als eine Reise betrachtet, die von einer sich ständig ändernden Umgebung beeinflusst wird. Anstatt von einem stetigen Pfad auszugehen, integriert ihr Modell eine Komponente für „zufällige Belastung“ und erkennt damit an, dass die Kräfte, die auf das Lager treffen, von Moment zu Moment wild schwanken. Sie erkannten auch, dass verschiedene Sensoren an der Maschine – die Vibration, Temperatur und das Drehmoment beim Drehen der Rotorblätter messen – unterschiedliche Teile der Geschichte erzählen. Einige Sensoren reagieren möglicherweise schnell auf einen plötzlichen Stoß, während andere einen langsameren, stetigen Temperaturanstieg zeigen. Die Forscher bauten ein System, das all diese Signale gleichzeitig „hört“ und versteht, wie sie miteinander sowie mit dem verborgenen internen Zustand des Lagers interagieren.

Um diese komplexen, verrauschten Daten sinnvoll zu interpretieren, setzte das Team eine leistungsstarke Berechnungstechnik namens Partikelfilter ein. Stellen Sie sich vor, Sie versuchen, ein bewegliches Objekt in einem nebligen Raum zu verfolgen, indem Sie tausende winzige, unsichtbare Pfeile dorthin werfen, wo Sie es vermuten. Eine Standardmethode würde vielleicht alle Pfeile an einem einzigen Punkt konzentrieren, und wenn dieser Punkt falsch liegt, scheitert die gesamte Vermutung. Die Forscher verbesserten diesen Prozess mit einem „adaptiven, optimierten“ Algorithmus. Diese intelligentere Version überprüft ständig ihre eigenen Vermutungen. Wenn sie bemerkt, dass sich ihre Pfeile zu eng an einem falschen Ort häufen, streut sie sie automatisch wieder aus, um andere Möglichkeiten zu erkunden. Dies verhindert, dass das System bei einer schlechten Vermutung stecken bleibt, und stellt sicher, dass es eine vielfältige Reihe potenzieller Ergebnisse im Blick behält. Durch die Kombination dieser intelligenten Tracking-Methode mit einem Modell, das zufällige Belastungen versteht und die Interaktionen zwischen mehreren Sensoren berücksichtigt, schufen sie ein Werkzeug, das den Zustand des Lagers klarer sehen kann als bisherige Methoden.

Die Forscher testeten ihr neues Framework mit echten Daten, die von einem Wendelager einer Windkraftanlage gesammelt wurden, einschließlich Messungen von Vibration, Temperatur und Drehmoment. Sie verglichen ihre Methode mit mehreren anderen Vorhersagestrategien, darunter einfachere Modelle, die die zufällige Belastung ignorierten, sowie Modelle, die die Wechselwirkungen zwischen verschiedenen Sensoren nicht berücksichtigten. Die Ergebnisse waren eindeutig: Der neue Ansatz, der die chaotische Natur des Windes und die komplexe Beziehung zwischen den Sensorsignalen berücksichtigte, lieferte die genauesten Vorhersagen. Mit zunehmender Datenerhebung über die Zeit sank die Unsicherheit in ihren Vorhersagen, und die geschätzte Zeit bis zum Ausfall wurde immer präziser. Tatsächlich übertraf ihr Modell sogar ein hochentwickeltes System der künstlichen Intelligenz, das mit denselben Daten trainiert wurde, und bot eine zuverlässigere Schätzung darüber, wann das Lager das Ende seiner Lebensdauer erreichen würde.

Die Studie hob auch einen spezifischen Kompromiss hervor. Obwohl das neue Modell hochgradig genau ist, ist es auch komplexer in der Ausführung als einfachere Methoden. Es erfordert mehr Rechenleistung, um die Variablen der zufälligen Belastung und die Interaktionen zwischen mehreren Sensoren zu verarbeiten. Doch für kritische Infrastrukturen wie Windkraftanlagen, bei denen ein Ausfall teuer und gefährlich sein kann, ist diese zusätzliche Komplexität eine lohnende Investition. Die Forscher zeigten, dass Ingenieure, indem sie die Zufälligkeit der realen Welt anerkennen, anstatt zu versuchen, sie zu glätten, bessere Entscheidungen über den Zeitpunkt der Wartung ihrer Ausrüstung treffen können. Diese Arbeit legt nahe, dass die Zukunft der Zustandsüberwachung von Maschinen nicht nur in der Sammlung von mehr Daten liegt, sondern im Bau von Modellen, die die chaotischen, unvorhersehbaren Kräfte wirklich verstehen, denen Maschinen jeden Tag ausgesetzt sind.