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

बिजली में बदलने के लिए हवा का उपयोग करने वाली विशाल मशीनें भारी घटकों को अपनी जगह पर बनाए रखने के लिए 'स्लियिंग बेयरिंग' (slewing bearings) नामक विशाल, घूमते हुए जोड़ों पर निर्भर करती हैं। ये बेयरिंग पवन ऊर्जा उद्योग के मौन कार्यबल हैं, जो टरबाइन के वजन को सहारा देते हैं और इसे हवा की दिशा में घूमने की अनुमति देते हैं। हालाँकि, वे एक ऐसे कठोर वातावरण में काम करते हैं जहाँ उन्हें लगातार अप्रत्याशित बलों से टकराना पड़ता है। हवा लगातार एक समान नहीं चलती; यह झोंके लेती है, दिशा बदलती है, और थम जाती है, जिससे भार का एक अराजक मिश्रण पैदा होता है जो बेयरिंग के भीतर धातु के रेसवे और रोलिंग तत्वों पर दबाव डालता है। समय के साथ, इस निरंतर, यादृच्छिक प्रहार के कारण धातु घिस जाती है और थकान (fatigue) का शिकार हो जाती है, जिससे अंततः विफलता आती है। यह अनुमान लगाना कि बेयरिंग ठीक कब टूटेगा, इंजीनियरों के लिए एक बड़ी चुनौती है। यदि वे बहुत जल्दी अनुमान लगाते हैं, तो वे उन पुर्जों को बदलने में पैसा बर्बाद करते हैं जो अभी भी ठीक हैं। यदि वे बहुत देर कर देते हैं, तो बेयरिंग अप्रत्याशित रूप से विफल हो जाता है, जिससे भारी डाउनटाइम और सुरक्षा संबंधी खतरे पैदा होते हैं। लक्ष्य यह है कि घिसावट के संकेतों को देखा जाए और शेष उपयोगी जीवन (remaining useful life) की गणना इतनी सटीकता से की जाए कि रखरखाव को ठीक समय पर निर्धारित किया जा सके।

द दशकों से, वैज्ञानिक इस पहेली को सुलझाने के लिए दो मुख्य दृष्टिकोणों का उपयोग करने की कोशिश कर रहे हैं। एक विधि भौतिकी के नियमों पर निर्भर करती है, जो धातु के टूटने और घिसने के तरीके का जटिल गणितीय मॉडल बनाती है। सैद्धांतिक रूप से सुदृढ़ होने के बावजूद, ये मॉडल वास्तविक दुनिया की मशीनों पर लागू करना कठिन होता है क्योंकि घूमते हुए बेयरिंग के भीतर की सटीक स्थितियों को पूरी तरह से मापना असंभव है। दूसरा दृष्टिकोण डेटा-संचालित विधियों का उपयोग करता है, जहाँ कंप्यूटर भविष्य की विफलताओं की भविष्यवाणी करने के लिए पिछले विफलताओं से सीखते हैं। ये विधियाँ तब अच्छा काम करती हैं जब उनके पास ऐतिहासिक डेटा की भारी मात्रा हो, लेकिन वास्तविक दुनिया में, ऐसा डेटा अक्सर दुर्लभ या अधूरा होता है। एक तीसरा मार्ग, जो दोनों के तत्वों को जोड़ता है, सांख्यिकीय मॉडल का उपयोग करता है ताकि यह ट्रैक किया जा सके कि एक मशीन समय के साथ कैसे खराब होती है। ये मॉडल टूट-फूट को एक यादृच्छिक यात्रा के रूप में देखते हैं, यह स्वीकार करते हुए कि विफलता का मार्ग शायद ही कभी सीधा होता है। हालाँकि, इनमें से अधिकांश मौजूदा मॉडलों में एक कमी है: वे अक्सर यह मान लेते हैं कि मशीन पर तनाव स्थिर या अनुमानित है, और वे हवा और उससे उत्पन्न भार की अराजक, यादृच्छिक प्रकृति को समझने में विफल रहते हैं।

हाल ही में एक अध्ययन में, शोधकर्ताओं ने विंड-टर्बाइन स्लियिंग बेयरिंग के जीवन की भविष्यवाणी करने का एक नया तरीका विकसित करके इस कमी को दूर करने का प्रयास किया। उन्होंने पहचाना कि हवा के झोंकों और असमान भार के कारण होने वाला यादृच्छिक तनाव क्षरण (degradation) की प्रक्रिया को उन तरीकों से तेज करता है जिन्हें मानक मॉडल नहीं पकड़ पाते। इस वास्तविकता को पकड़ने के लिए, उन्होंने एक परिष्कृत भविष्यवाणी ढांचा बनाया जो बेयरिंग की घिसावट को एक बदलते परिवेश से प्रभावित यात्रा के रूप में देखता है। एक स्थिर पथ मानने के बजाय, उनका मॉडल एक "यादृच्छिक तनाव" (random stress) घटक को शामिल करता है, यह स्वीकार करते हुए कि बेयरिंग से टकराने वाले बल हर क्षण तेजी से उतार-चढ़ाव करते हैं। उन्होंने यह भी महसूस किया कि मशीन पर लगे विभिन्न सेंसर—जो कंपन, तापमान और ब्लेड को घुमाने के लिए आवश्यक टॉर्क को मापते हैं—कहानी के अलग-अलग हिस्से बताते हैं। कुछ सेंसर अचानक आए झटके पर तेजी से प्रतिक्रिया दे सकते हैं, जबकि अन्य गर्मी के धीमे, स्थिर उभार को दर्शा सकते हैं। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो इन सभी संकेतों को एक साथ सुनती है, यह समझते हुए कि वे एक-दूसरे के साथ और बेयरिंग की छिपी हुई आंतरिक स्थिति के साथ कैसे परस्पर क्रिया करते हैं।

इस जटिल, शोर वाले डेटा को समझने के लिए, टीम ने 'पार्टिकल फ़िल्टर' (particle filter) नामक एक शक्तिशाली कम्प्यूटेशनल तकनीक का उपयोग किया। कल्पना कीजिए कि आप एक धुंधले कमरे में किसी चलती हुई वस्तु को ट्रैक करने के लिए वहाँ हजारों छोटे, अदृश्य तीर (darts) फेंक रहे हैं जहाँ आपको लगता है कि वह है। एक मानक विधि सभी तीरों को एक ही स्थान पर फेंक सकती है, और यदि वह स्थान गलत है, तो पूरा अनुमान विफल हो जाता है। शोधकर्ताओं ने इस प्रक्रिया को एक "एडेप्टिव एन्हांस्ड" (adaptive enhanced) एल्गोरिदम के साथ बेहतर बनाया। यह स्मार्ट संस्करण लगातार अपने स्वयं के अनुमानों की जाँच करता है। यदि इसे पता चलता है कि इसके तीर गलत जगह पर बहुत अधिक केंद्रित हो रहे हैं, तो यह अन्य संभावनाओं को तलाशने के लिए उन्हें स्वचालित रूप से फिर से बिखेर देता है। यह सिस्टम को एक गलत अनुमान पर अटकने से रोकता है और यह सुनिश्चित करता है कि यह परिणामों की एक विविध श्रेणी को ध्यान में रखे। इस स्मार्ट ट्रैकिंग पद्धति को एक ऐसे मॉडल के साथ जोड़कर, जो यादृच्छिक तनाव और मल्टी-सेंसर इंटरैक्शन को समझता है, उन्होंने एक ऐसा उपकरण बनाया जो पिछले तरीकों की तुलना में बेयरिंग की स्थिति को अधिक स्पष्ट रूप से देख सकता है।

शोधकर्ताओं ने अपने नए ढांचे का परीक्षण विंड-टर्बाइन स्लियिंग बेयरिंग से एकत्र किए गए वास्तविक डेटा का उपयोग करके किया, जिसमें कंपन, तापमान और टॉर्क के माप शामिल थे। उन्होंने अपनी विधि की तुलना कई अन्य भविष्यवाणी रणनीतियों से की, जिनमें सरल मॉडल शामिल थे जो यादृच्छिक तनाव को अनदेखा करते थे और वे मॉडल जो विभिन्न सेंसरों के बीच के संबंधों को नहीं समझते थे। परिणाम स्पष्ट थे: नए दृष्टिकोण ने, जिसने हवा की अराजक प्रकृति और सेंसर संकेतों के बीच जटिल संबंध को ध्यान में रखा, सबसे सटीक भविष्यवाणियाँ प्रदान कीं। जैसे-जैसे समय के साथ अधिक डेटा एकत्र किया गया, उनकी भविष्यवाणियों में अनिश्चितता कम होती गई, और विफलता तक का अनुमानित समय तेजी से सटीक होता गया। वास्तव में, उनके मॉडल ने उसी डेटा पर प्रशिक्षित एक परिष्कृत आर्टिफिशियल इंटेलिजेंस सिस्टम को भी पीछे छोड़ दिया, जो बेयरिंग के जीवन के अंत तक पहुँचने के समय का अधिक विश्वसनीय अनुमान प्रदान करता है।

अध्ययन ने एक विशिष्ट समझौते (trade-off) पर भी प्रकाश डाला। जबकि नया मॉडल अत्यधिक सटीक है, इसे चलाना सरल विधियों की तुलना में अधिक जटिल है। इसमें यादृच्छिक तनाव चरों और कई सेंसरों के बीच की परस्पर क्रिया को संसाधित करने के लिए अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है। हालाँकि, विंड टर्बाइन जैसी महत्वपूर्ण बुनियादी संरचनाओं के लिए, जहाँ विफलता महंगी और खतरनाक हो सकती है, यह अतिरिक्त जटिलता एक सार्थक निवेश है। शोधकर्ताओं ने प्रदर्शित किया कि वास्तविक दुनिया की यादृच्छिकता को केवल सुचारू बनाने के बजाय उसे स्वीकार करके, इंजीनियर उपकरण के रखरखाव के बारे में बेहतर निर्णय ले सकते हैं। यह कार्य सुझाव देता है कि मशीन स्वास्थ्य निगरानी का भविष्य केवल अधिक डेटा एकत्र करने में नहीं है, बल्कि ऐसे मॉडल बनाने में है जो वास्तव में उन अराजक, अप्रत्याशित बलों को समझते हैं जिनका सामना मशीनें हर दिन करती हैं।