Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

Dit artikel introduceert een nieuw, publiek beschikbaar beelddataset bestaande uit ongeveer 34.700 hoogresolutieafbeeldingen van elf Dyneema-synthetische vezeltouwen die zijn blootgesteld aan cyclische vermoeiingsbelasting, ontworpen om machinelearningtaken voor de schatting van de resterende levensduur en visuele conditiebewaking te ondersteunen.

De kern

Stel je een zeer sterke, high-tech touw voor, gemaakt van speciale vezels (zoals Dyneema). Dit touw wordt gebruikt voor zware heftaken, zoals het hijsen van windturbines of het verplaatsen van gigantische ladingen op schepen. Net als een elastiekje dat uiteindelijk knapt na te vaak te zijn uitgerekt en gebogen, verslijten deze touwen na verloop van tijd. Het grote probleem is dat deze slijtage langzaam en onzichtbaar binnenin het touw plaatsvindt, waardoor het moeilijk is om precies te weten wanneer het op het punt staat te breken.

Dit artikel introduceert een nieuwe "trainingsbibliotheek" voor computers om te leren voorspellen wanneer deze touwen zullen falen. Hier is de eenvoudige uitleg:

Het Probleem: Het Einde van het Touw Raden

Op dit moment moet je, als je wilt weten of een touw veilig is, het werk stoppen, het met je eigen ogen bekijken en raden. Het is alsof je probeert te raden wanneer een autoband zal knappen door er slechts eenmaal per maand naar te kijken. Het is riskant en vaak verkeerd. De auteurs wilden een systeem bouwen waarbij een camera het touw kan bewaken en kan zeggen: "Je hebt nog ongeveer 500 gebruiksmogelijkheden voordat je breekt."

De Oplossing: Een "Time-Lapse" Fotoalbum

Om een computer dit te leren, hadden de onderzoekers een enorm fotoalbum nodig dat het volledige leven van het touw toont, van gloednieuw tot volledig gebroken. Ze creëerden een dataset met ongeveer 34.700 foto's in hoge resolutie.

Denk hierbij aan een "time-lapse"-video, maar in plaats van een video zijn het duizenden individuele snapshots.

• De Acteurs: Ze gebruikten 11 verschillende touwen.
• De Stress Test: Ze legden deze touwen op een machine die ze duizenden keren over een wiel (zoals een katrol) heen en weer boog. Dit nabootst de real-life buigbewegingen die ze op schepen en kranen maken.
• De Druk: Ze testten de touwen onder verschillende hoeveelheden gewicht, van lichte lasten (60 kN) tot zeer zware lasten (280 kN).
• Het Resultaat: Sommige touwen hielden het lang vol (meer dan 8.000 buigingen), terwijl andere onder zware stress snel braken (in minder dan 700 buigingen).

Hoe Ze De Foto's Maakten

Elke keer dat de machine het touw een specifiek aantal keren boog (een "burst"), stopte het. Vervolgens nam een high-speed camera 10 foto's van verschillende plekken langs de lengte van het touw.

Waarom 10 foto's? Omdat schade niet eerlijk is; het gebeurt niet gelijkmatig. Een plek op het touw kan al rafelen terwijl de plek ernaast er perfect uitziet. Het nemen van 10 foto's zorgt ervoor dat de computer het volledige plaatje ziet, niet slechts één gelukkige plek.

De "Geheime Ingrediënt": De Labels

Elke afzonderlijke foto in deze dataset heeft een label eraan bevestigd. Het is als een tijdstempel dat zegt: "Deze foto is genomen na 5.000 buigingen, en het touw brak bij 8.000 buigingen."

Dit stelt de computer in staat om eenvoudige wiskunde te doen:

• Totale Levensduur: 8.000 buigingen
• Huidige Leeftijd: 5.000 buigingen
• Resterende Levensduur: 3.000 buigingen

Omdat ze deze wiskunde hebben voor elke afzonderlijke foto, kunnen ze kunstmatige intelligentie (AI) trainen om naar een foto van een touw te kijken en precies te berekenen hoeveel "leven" er nog over is, zelfs als het touw voor het menselijk oog grotendeels in orde lijkt.

Waarom Dit Belangrijk Is

Voorafgaand aan dit artikel bestond er geen publieke verzameling foto's die het hele leven van deze touwen van begin tot eind toonde. Onderzoekers moesten hun eigen kleine tests opzetten, wat veel tijd kostte en veel geld kostte.

Nu kan iedereen dit "fotoalbum" downloaden en hun AI leren om:

1. De schade vroegtijdig te herkennen.
2. De toekomst te voorspellen (hoeveel buigingen er nog over zijn).
3. Te leren hoe verschillende gewichten bepalen hoe snel het touw verslijt.

Kortom, dit artikel levert het "handboek" met afbeeldingen dat computerwetenschappers nodig hebben om slimmere, veiligere systemen te bouwen die ons precies kunnen vertellen wanneer we een touw moeten vervangen voordat het knapt, waardoor ongevallen worden voorkomen en geld wordt bespaard.

Technische samenvatting

Technische Samenvatting: Beelddataset voor Schatting van de Resterende Levensduur van Synthetische Vezelkabels

Probleemstelling
De veilige werking van offshore-kranen, schepen voor de installatie van windturbines en systemen voor het hanteren van zware lasten is sterk afhankelijk van synthetische vezelkabels (SFR's), met name die gemaakt van hoogmodulair polyethyleen (HMPE) zoals Dyneema. Hoewel deze kabels voordelen bieden in sterkte en gewicht ten opzichte van staalkabels, zijn ze vatbaar voor progressieve vermoeiingsdegradatie tijdens cyclische buigbewegingen over schijven (BOS). De huidige industriële praktijken voor het bewaken van de kabelgezondheid vertrouwen op periodieke manuele visuele inspecties en conservatieve "retire-on-time"-beleid, die subjectief zijn en niet geschikt voor variabele real-world belastingsomstandigheden. Hoewel datagedreven conditiebewaking een veelbelovend alternatief is, is de ontwikkeling van op visie gebaseerde algoritmen voor de schatting van de resterende levensduur (RUL) gehinderd door het ontbreken van publiek beschikbare beelddatasets die de volledige degradatiecyclus van SFR's onder gecontroleerde cyclische vermoeiing vastleggen. Bestaande datasets, inclusief het eerdere werk van de auteurs over defectclassificatie, missen de temporale levenscyclusinformatie die noodzakelijk is voor prognostiek.

Methodologie en Experimentele Opstelling
Om deze datahiaat aan te pakken, hebben de auteurs een nieuwe beelddataset samengesteld via een gecontroleerde experimentele campagne met elf Dyneema SK75/78 HMPE-kabelproefstukken (nominale diameter 8 mm, 12-draads gevlochten). De experimenten werden uitgevoerd op een schijf-buigtestbank die ontworpen is om operationele BOS-belasting na te bootsen.

• Belastingsomstandigheden: De proefstukken werden blootgesteld aan cyclische vermoeiing bij zeven verschillende axiale lastniveaus variërend van 60 kN tot 280 kN. De tests werden voortgezet tot mechanisch falen, gedefinieerd als een plotselinge, volledige verlies van de lastdragende capaciteit. De vermoeiingslevensduur varieerde omgekeerd evenredig met de last, variërend van 695 cycli (bij 250 kN) tot 8.340 cycli (bij 60 kN).
• Dataverzameling: Een beeldvormingssysteem bestaande uit een Basler acA2000 high-speed camera (1920 × 1200 pixels) en een 12-megapixel lens werd gebruikt. Verlichting werd verzorgd door Aputure AL-MC RGBWW LED-verlichting gepositioneerd onder 45° om uniforme, schaduwvrije verlichting te garanderen.
• Steekproefstrategie: Dataverzameling vond plaats in "inspectieburst". Na een vast aantal schijfcycli (10–20 cycli per burst, afhankelijk van de last) pauzeerde de testbank en werden tien beelden vastgelegd op verschillende dwarsdoorsnede-posities langs de kabel. Deze ruimtelijke steekproefstrategie houdt rekening met de niet-uniforme aard van vermoeiingsschade langs de kabellengte.
• Besturing en Synchronisatie: Een NVIDIA Jetson Nano P3450 beheerde de beeldopname, gesynchroniseerd met de PLC van de testbank via een handshake-protocol om nauwkeurige timing en ondubbelzinnige koppeling van beelden aan cyclustellingen te waarborgen.
• Datasetsamenstelling: De definitieve dataset bestaat uit ongeveer 34.700 hoogresolutie PNG-afbeeldingen. Elke afbeelding is geannoteerd met het verstreken aantal cycli en de specifieke kabelidentiteit.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de release van de eerste publiek beschikbare levenscyclus-beelddataset specifiek voor HMPE-kabels onder cyclische vermoeiing. Belangrijke kenmerken zijn:

1. Volledige Levenscyclusdekking: De dataset vangt de visuele trajecten op van gezonde condities via progressieve degradatie tot mechanisch falen voor alle elf proefstukken.
2. Last-diverse Benchmark: Door zeven lastniveaus te omvatten (60–280 kN) maakt de dataset het mogelijk om last-geconditioneerde degradatiesnelheden te bestuderen en modellen te ontwikkelen die generaliseren over verschillende spanningsniveaus.
3. Ruimtelijke en Temporele Resolutie: De opname van tien ruimtelijk verdeelde beelden per inspectieburst biedt een rijker trainingsignaal dan single-view strategieën, en vangt de ruimtelijke variabiliteit van schade op.
4. Directe RUL-labeling: Elke afbeelding is gekoppeld aan een verstreken cyclustelling, wat de directe berekening van RUL mogelijk maakt ($RUL = N_{failure} - N_{elapsed}$). Dit ondersteunt zowel continue regressietaken als discrete levensfase-classificatie (vroeg, midden, laat).
5. Compatibiliteit: Het dataformaat en de structuur zijn ontworpen om compatibel te zijn met een breed scala aan deep learning-architecturen, waaronder CNN's, Vision Transformers (ViT) en multimodale vision-taalmodellen.

Resultaten en Datakarakteristieken
Het artikel presenteert geen resultaten van specifieke machine learning-modellen die op de data zijn getraind; de "resultaten" zijn de dataset zelf en haar statistische eigenschappen. De data toont een duidelijke omgekeerde relatie tussen toegepaste last en vermoeiingslevensduur. Het totale aantal afbeeldingen van ongeveer 34.700 biedt een statistisch betekenisvol volume voor het trainen van deep learning-modellen. De dataset is georganiseerd in elf mappen (één per proefstuk), die elk metadata bevatten over lastniveaus, kabelsnelheid en cyclustellingen.

Betekenis en Claims
De auteurs positioneren deze dataset als een fundamentele benchmarkresource voor de onderzoeksgemeenschap. De betekenis hiervan ligt in:

• Aanbieden van Geautomatiseerde RUL-voorspelling: Het faciliteert de ontwikkeling van op visie gebaseerde systemen die in staat zijn om vroegtijdige waarschuwingen te geven van naderend falen, wat mogelijk onvoorziene onderhoudskosten verlaagt en catastrofale veiligheidsincidenten voorkomt.
• Voltooien van de CDM-pijplijn: In combinatie met het eerdere defectclassificatiedataset van de auteurs, dekt deze resource het volledige spectrum van conditiebewaking (CM), van storingsdetectie tot voorspelling van resterende levensduur.
• Standaardisatie: Door het verstrekken van een gestandaardiseerde, last-diverse en volledig geannoteerde dataset, beogen de auteurs de ontwikkeling en eerlijke vergelijking van prognostische gezondheidsmanagement (PHM)-algoritmen voor SFR's te versnellen, en het veld voorbij de beperkingen van manuele inspectie en proprietaire data te brengen.

Het werk is bescheiden in zijn claims, met de focus op het verstrekken van de data-infrastructuur die nodig is om toekomstig onderzoek mogelijk te maken, in plaats van een specifiek algoritme voor te stellen of directe industriële implementatie te claimen. De dataset is bedoeld als een hulpmiddel voor onderzoekers om hun eigen op visie gebaseerde prognostische modellen te ontwikkelen en te valideren.