Ο συστηματικός έλεγχος και η συντήρηση είναι καθοριστικοί παράγοντες για την μακροχρόνια και αποτελεσματική λειτουργία των μηχανολογικών συστημάτων μετάδοσης ισχύος. Με τη βοήθεια των τεχνολογιών τεχνητής νοημοσύνης και του machine learning, μπορούν να αποφευχθούν έγκαιρα τυχόν βλάβες και φθορές στα συστήματα μετάδοσης ισχύος.
Των κ. Ι. Κουτσουπάκη, Γ. Καρυοφύλλα, Π. Σεβεντεκίδη, Δ. Γιαγκόπουλου και Σ. Νατσιάβα*
Τα συστήματα μετάδοσης ισχύος περιλαμβάνονται σε μια πληθώρα εφαρμογών και σε διάφορες πτυχές των τομέων μεταφοράς, παραγωγής ενέργειας, κατασκευών και βιομηχανίας. Ξεκινώντας από εφαρμογές της αρχαιότητας, όπως σε νερόμυλους, ανεμόμυλους, ανυψωτικά συστήματα κλπ., τα συστήματα μετάδοσης ισχύος κατέχουν κρίσιμη θέση στη σημερινή κοινωνία και βιομηχανία, με εφαρμογές όπως είναι τα κιβώτια ταχυτήτων σε αυτοκίνητα, μοτοσικλέτες και πλοία, σε υδροηλεκτρικά συστήματα και ανεμογεννήτριες, σε διάφορες βιομηχανικές διατάξεις.
Η έννοια του ελέγχου δομικής ακεραιότητας (Structural Health Monitoring [SHM]) είναι στενά συνδεδεμένη με τα συστήματα μετάδοσης ισχύος, αφού η παρακολούθηση και η συντήρησή τους είναι κρίσιμες για την πρόληψη καταστροφικών βλαβών.
Ο έλεγχος αφορά την ελαχιστοποίηση του κόστους συντήρησης και επισκευών λόγω εκτενούς φθοράς, καθώς και την πρόληψη ατυχημάτων τα οποία μπορεί να οδηγήσουν σε τραυματισμούς ή απώλεια ανθρωπίνων ζωών.
Ένα σύστημα μετάδοσης ισχύος, λόγω του μεγάλου αριθμού κινούμενων μερών που διαθέτει, είναι επιρρεπές σε φθορές που αφορούν τα διάφορα εξαρτήματα που το αποτελούν, όπως είναι δρομείς, άξονες, οδοντωτοί τροχοί και έδρανα κύλισης. Οι πιο κοινές βλάβες αφορούν τα σφάλματα ευθυγράμμισης, τις αζυγοσταθμίες αξόνων, τη φθορά, την εκκεντρότητα, τις ρηγματώσεις, την απώλεια δοντιών στους οδοντωτούς τροχούς, καθώς και τη δημιουργία ρωγμών, κοιλωμάτων ή ουλών στα έδρανα κύλισης. Καθεμία από τις παραπάνω βλάβες ελαττώνει την απόδοση του συστήματος και μπορεί να θέσει σε κίνδυνο την ακεραιότητά του λόγω επέκτασης της βλάβης στα υπόλοιπα εξαρτήματα του.
Παρακολούθηση και έλεγχος
Αν και υπάρχουν διάφοροι τρόποι που μπορεί να πραγματοποιηθεί η παρακολούθηση και ο έλεγχος της δομικής ακεραιότητας ενός συστήματος μετάδοσης ισχύος, οι πιο συνήθεις είναι αυτοί που περιλαμβάνουν την ανάλυση ταλαντωτικών σημάτων, όπως ταχύτητες ή επιταχύνσεις που έχουν ληφθεί από διάφορα σημεία και εξαρτήματα ενός συστήματος κατά τη λειτουργία του.
Τα σήματα αυτά περιλαμβάνουν χαρακτηριστικά που σχετίζονται με δυναμική συμπεριφορά και με τα βασικά χαρακτηριστικά ενός συστήματος, καθώς και με τη δομική του ακεραιότητα και την παρουσία φθοράς σε αυτό.
Χαρακτηριστικό παράδειγμα στα συστήματα μετάδοσης ισχύος είναι:
α) Οι χαρακτηριστικές συχνότητες σύμπλεξης των γραναζιών (Gear Meshing Frequencies [GMF]), οι οποίες, όπως φαίνεται και από την ονομασία τους, σχετίζονται με φαινόμενα επαφής μεταξύ των δοντιών δύο γραναζιών που βρίσκονται σε σύμπλεξη κατά τη μετάδοση ισχύος.
β) Οι χαρακτηριστικές συχνότητες των ρουλεμάν (BPFO, BPFI, BSF, FTF) οι οποίες εμφανίζονται ανάλογα με τη θέση της βλάβης σε ένα ρουλεμάν, σε εξωτερικό ή εσωτερικό δακτύλιο, σε κυλιόμενα στοιχεία κλπ. (βλ. εικόνα 1).
Ανάλυση ταλαντωτικού σήματος συστήματος μετάδοσης ισχύος υπό φθορά
Είναι φανερό πως η ανίχνευση βλαβών σε ένα σύστημα μετάδοσης κίνησης αποτελεί μία απαιτητική διαδικασία, καθώς τα χαρακτηριστικά της απόκρισής του μπορεί να μην είναι ευδιάκριτα, ειδικά στο πεδίο του χρόνου.
Ακόμη όμως και αν οι διαφορές μεταξύ των αποκρίσεων ενός υγιούς και ενός υπό βλάβη συστήματος γίνονται πιο αισθητές, όπως στην περίπτωση του μετασχηματισμού και ανάλυσης στο πεδίο των συχνοτήτων, η διάγνωση του τύπου και του μεγέθους της βλάβης δεν είναι εύκολη· ειδικά αν πρόκειται για συνδυαστικές βλάβες, διότι οι περισσότεροι τύποι βλαβών επιδρούν σχεδόν με τον ίδιο τρόπο στο φάσμα συχνοτήτων (π.χ. στους οδοντωτούς τροχούς οι περισσότερες βλάβες εμφανίζουν μείωση του εύρους της GMF και εμφάνιση / ενίσχυση πλευρικών συχνοτήτων).
Επίσης σε πολλά συστήματα δεν είναι εγκατεστημένα συστήματα συνεχούς παρακολούθησης, γεγονός που περιορίζει τη διαδικασία του ελέγχου δομικής ακεραιότητας σε προκαθορισμένα χρονικά διαστήματα περιοδικού ελέγχου και συντήρησης, κάτι που δεν επιτρέπει την ανίχνευση βλαβών σε πραγματικό χρόνο και που μπορεί να οδηγήσει σε καταστροφικά ατυχήματα, αν μια βλάβη δεν εντοπισθεί νωρίς, ώστε να ληφθούν τα κατάλληλα μέτρα (παύση λειτουργίας και συντήρηση).
Λογισμικά διάγνωσης
Για το λόγο αυτό, η πλειονότητα των βιομηχανικών συστημάτων που περιλαμβάνουν συστήματα μετάδοσης ισχύος συνοδεύονται συνήθως από κάποιο λογισμικό διάγνωσης, το οποίο βασίζεται στην ανάλυση των ταλαντωτικών σημάτων στο πεδίο του χρόνου ή και των συχνοτήτων, με απλούς ή και ανώτερης τάξης στατιστικούς δείκτες κατάστασης, όπως είναι η υπέρβαση ενός ορίου ταλαντώσεων ή η αύξηση μεγεθών που μετριούνται από το σήμα (μέσο τετραγωνικό σφάλμα , κύρτωση, Crest Factor, FM4, M8A κλπ.).
Τα μεγέθη αυτά όμως δεν προσφέρουν ξεκάθαρες πληροφορίες σχετικά με τη θέση ή τον τύπο της βλάβης που έχει εμφανιστεί στο σύστημα και, συνεπώς, δεν εξυπηρετούν στην ορθά προγραμματισμένη επιδιόρθωσή του (όσον αφορά ανταλλακτικά, στοχευμένη παύση λειτουργίας κ.ά.), αφού θα πρέπει πρώτα να διενεργηθεί επιτόπιος έλεγχος.
Η πρόοδος της επιστήμης και της τεχνολογίας έχει προσφέρει νέες λύσεις επάνω στο ζήτημα του ελέγχου δομικής ακεραιότητας και της ανίχνευσης και χαρακτηρισμού βλαβών σε ένα σύστημα μέσω εφαρμογών τεχνητής νοημοσύνης (Artificial Intelligence [AI]), και συγκεκριμένα μέσω αλγορίθμων μηχανικής ή βαθιάς μάθησης (Machine/Deep Learning [ML/DL]) όπως είναι τα τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks [ANN]).
Τεχνητά νευρωνικά δίκτυα
Όπως φαίνεται και από την ονομασία τους, τα τεχνητά νευρωνικά δίκτυα είναι εμπνευσμένα από τη λειτουργία των νευρώνων του ανθρώπινου εγκεφάλου, δηλαδή δέχονται δεδομένα και μέσω κατάλληλων σχέσεων (συνάψεων) οδηγούν σε μια απόφαση, η οποία στην περίπτωση των εφαρμογών ελέγχου δομικής ακεραιότητας είναι ο χαρακτηρισμός μιας βλάβης.
Τα τεχνητά νευρωνικά δίκτυα προσφέρουν μια πιο ακριβή προσέγγιση στη διάγνωση βλαβών ενός συστήματος καθώς, πέραν της ανίχνευσης μιας βλάβης, μπορούν να εντοπίσουν τη θέση, τον τύπο και τη σφοδρότητά της, επιτρέποντας έτσι τη λήψη πιο ορθών αποφάσεων για τη συντήρηση του συστήματος.
Το μειονέκτημα των εν λόγω αλγορίθμων είναι οι υψηλές απαιτήσεις σε καλής ποιότητας δεδομένα, και μάλιστα σε δεδομένα τα οποία είναι χαρακτηρισμένα ως προς τον τύπο της βλάβης στον οποίο αντιστοιχούν, ώστε να είναι δυνατή η λεγόμενη «εποπτευόμενη μάθηση» (Supervised Learning) των δικτύων, με στόχο την ανίχνευση και κατηγοριοποίηση νέων βλαβών που εμφανίζονται σε ένα σύστημα.
Ανίχνευση βλάβης
Για να μπορεί να ανιχνευθεί μια βλάβη σε ένα σύστημα, πρέπει η ίδια ή όμοιες φθορές να έχουν συμβεί στο παρελθόν στο ίδιο το σύστημα ή σε ονομαστικά όμοια συστήματα, ώστε τα δεδομένα εκπαίδευσης να περιέχουν δείγματα από τη συγκεκριμένη βλάβη. Στην πράξη, όμως, τα δεδομένα αυτά σπανίζουν ή είναι και τελείως ανύπαρκτα, καθώς στην πλειονότητα των περιπτώσεων δεν υπάρχουν δεδομένα λειτουργίας ενός συστήματος με βλάβη πριν αυτή εμφανιστεί για πρώτη φορά, όπου συνήθως θα επιδιωχθεί και η άμεση επισκευή της χωρίς τη συλλογή δεδομένων.
Μια πρώτη σκέψη θα ήταν η πρόκληση τεχνητών βλαβών σε ένα σύστημα, ώστε να συλλεχθούν τα απαραίτητα δεδομένα. Πρόκειται όμως για πρακτική οικονομικά ασύμφορη ή και αδύνατη, καθώς η επιτηδευμένη καταστροφή ενός συστήματος μετάδοσης ισχύος μπορεί να είναι απαγορευτική, ενώ και πάλι, ο αριθμός των δεδομένων που μπορεί να συλλεχθεί είναι πολύ περιορισμένος, αφού η πρόκληση μιας βλάβης μπορεί να σημαίνει καταστροφή του συστήματος πριν προλάβουν να εξεταστούν περαιτέρω φθορές.
Προσομοιώσεις
Τη λύση στο συγκεκριμένο πρόβλημα έλλειψης δεδομένων μπορούν να δώσουν οι προσομοιώσεις μέσω αριθμητικών μοντέλων, όπως είναι αυτά των Πεπερασμένων Στοιχείων (Finite Element Models [FEM]) και της Δυναμικής Πολλαπλών Σωμάτων (Multibody Dynamics Models [MBD]).
Μέσω των μοντέλων αυτών μπορούν να εξετασθούν όλες οι περιπτώσεις φθοράς που αφορούν ένα σύστημα, ενώ παράλληλα δεν υπάρχει κανένας περιορισμός σχετικά με τον αριθμό των δεδομένων που θα παραχθούν, αφού το κόστος των προσομοιώσεων περιορίζεται μόνο από την υπολογιστική ισχύ που απαιτείται και από το διαθέσιμο χρόνο.
Φυσικά, ένα αριθμητικό μοντέλο θα έχει αποκλίσεις από το αντίστοιχο πραγματικό σύστημα, οι οποίες μπορεί να οφείλονται σε μια πληθώρα αιτιών, όπως είναι οι απλοποιήσεις που απαιτούνται κατά τη μοντελοποίηση ενός συστήματος, καθώς και οι ασταθείς συνθήκες λειτουργίας που χαρακτηρίζουν τις πραγματικές διατάξεις ή τις κατασκευαστικές ατέλειες ενός συστήματος και το κάνουν να αποκλίνει από τα ονομαστικά του χαρακτηριστικά.
Παράλληλα, οι πραγματικές τιμές ορισμένων παραμέτρων που είναι απαραίτητες για τη μοντελοποίηση ενός συστήματος μπορεί να διαφέρουν από τις ονομαστικές, δυσχεραίνοντας τη διαδικασία.
Τεχνικές βελτιστοποίησης
Για το λόγο αυτό, χρησιμοποιούνται σύγχρονες τεχνικές βελτιστοποίησης των αριθμητικών μοντέλων, με στόχο την ελαχιστοποίηση του σφάλματος μεταξύ των προσομοιωμένων και πραγματικών αποκρίσεων ενός συστήματος.
Για τη διαδικασία αυτή απαιτείται η χρήση ενός μικρού αριθμού δεδομένων απόκρισης ενός συστήματος στην υγιή του κατάσταση, δεδομένα τα οποία είναι εύκολο να αποκτηθούν, ενώ οι αλγόριθμοι βελτιστοποίησης τροποποιούν επιλεγμένες παραμέτρους του αριθμητικού μοντέλου εντός των φυσιολογικών τιμών τους, καταλήγοντας μέσω στατιστικής σε αυτές οι οποίες ελαχιστοποιούν το σφάλμα μοντελοποίησης και συνεπώς είναι πιο κοντά στις πραγματικές.
Η βελτιστοποίηση αυτή, σε συνδυασμό με τον υπολογισμό της αβεβαιότητας που χαρακτηρίζει ένα φυσικό σύστημα (π.χ. λόγω κατασκευαστικών ατελειών, μεταβαλλόμενων συνθηκών λειτουργίας κλπ.) και με την παραγωγή δεδομένων που την υπερκαλύπτουν, μπορεί να προσφέρει τα απαραίτητα δεδομένα για την εκπαίδευση αλγορίθμων, όπως των τεχνητών νευρωνικών δικτύων, για διάγνωση βλαβών σε συστήματα μετάδοσης κίνησης (βλ. εικόνα 2).
Μεθοδολογία ελέγχου δομικής ακεραιότητας μέσω νευρωνικών δικτύων και αριθμητικών προσομοιώσεων
Αυτή η καινοτομική μεθοδολογία ελέγχου δομικής ακεραιότητας μπορεί να προσφέρει διάγνωση και χαρακτηρισμό βλαβών σε πραγματικό χρόνο, προσφέροντας πληροφορίες τόσο για τη θέση όσο και για τη σφοδρότητα μιας βλάβης.
Μέσω της μεθόδου αυτής, επιταχύνεται ο εντοπισμός της θέσης και τύπου των βλαβών σε ένα σύστημα αλλά και η σφοδρότητά τους, επιτρέποντας έτσι την ορθότερη οργάνωση και τον προγραμματισμό της συντήρησής του, αφού μπορούν να προετοιμαστούν εκ των προτέρων οι διάφοροι πόροι (ανθρώπινο δυναμικό, εργαλεία, ανταλλακτικά κλπ.) για τυχόν επισκευές, καθώς και να προγραμματιστεί η συντήρηση βάσει της έκτασης της βλάβης και της γενικότερης δομικής κατάστασης.
Τέλος, αξίζει να σημειωθεί πως αυτή η καινοτομική μεθοδολογία μπορεί να επεκταθεί σε περισσότερα μηχανολογικά συστήματα, ενώ έχει βρει εφαρμογές σε δικτυώματα και κατασκευές από σύνθετα υλικά, περιστρεφόμενα συστήματα, συστήματα ανελκυστήρων κ.ά., οδηγώντας σε ενθαρρυντικά αποτελέσματα.
Πληρέστερη περιγραφή της εν λόγω μεθοδολογίας αλλά και των εφαρμογών της παρατίθεται στην ιστοσελίδα του Εργαστηρίου Δυναμικής Μηχανών (ΕΔΥΜ) του Αριστοτέλειου Πανεπιστημίου Θεσσαλονίκης, όπου περιέχεται μια πληθώρα σχετικών επιστημονικών εργασιών και άρθρων, καθώς και αποτελεσμάτων από συνεργασία με τη βιομηχανία.
*Οι κ. Ιωάννης Κουτσουπάκης και Γιάννης Καρυοφύλλας είναι υποψήφιοι διδάκτορες στο Τμήμα Μηχανολόγων Μηχανικών του Α.Π.Θ. Ο κ. Παναγιώτης Σεβεντεκίδης είναι μεταδιδάκτορας στο Τμήμα Μηχανολόγων Μηχανικών του Α.Π.Θ., ενώ ο κ. Δημήτρης Γιαγκόπουλος είναι αναπληρωτής καθηγητής. Ο κ. Σωτήριος Νατσιάβας είναι καθηγητής του Τμήματος Μηχανολόγων Μηχανικών του Α.Π.Θ. Οι αρθρογράφοι είναι μέλη του Εργαστηρίου Δυναμικής Μηχανών.
