De bad vibes van lagers en tandwielen

Over dompelpompen, en hoe de computer hun vingerafdruk leerde herkennen.

Rammeltjes, boventonen, ternauwernood hoorbaar gezoem: door de wol geverfde monteurs kunnen aan het geluid van een auto veel afleiden over de conditie van het voertuig. Door jaren ervaring merken ze afwijkingen in het motorische klankspel meteen op, ook als oliedruk of temperatuur geen directe aanleiding tot zorg geven.

De analyse van geluid en trillingen is een veelgebruikte methode om de vinger op machinale problemen te leggen. Trillingen zijn als het ware de hartslag van een mechanisch apparaat, een goede indicator van de algehele gesteldheid. En een stuk handiger dan het hele ding preventief uit elkaar te schroeven.

,,Het trillingspatroon beschrijft de algemene karakteristiek van draaiende machines heel nauwkeurig”, vertelt drs. Alexander Ypma, promovendus bij de onderzoeksgroep patroonherkennen van TNW. ,,Je kunt het zien als een soort vingerafdruk. Veranderingen in deze trillingkarakteristiek kunnen dan ook een voorbode van ernstige schade zijn.”

Van kostbare machines zijn meestal voldoende meetdata bekend om afwijkingen in de vibratiehandtekening te kunnen duiden. Een trillinkje zus betekent een versleten lager, een bevinkje zo dat tandwielkast een smeerbeurt nodig heeft. Gespecialiseerde meetbureaus keren zo het hele vibratiespectrum binnenstebuiten, op zoek naar aanwijzingen voor slijtage en veroudering.

Als je alleen geïnteresseerd bent in één apparaat, kun je het daar ook wel bij laten. Ypma: ,,De kennis die je zo opdoet kun je formaliseren. Je beschrijft de trillingskarakteristiek dan uitputtend, en bepaalt van elke verandering in het patroon wat het betekent. Vervolgens stop je die data in een computer, en bouw je er een expertsysteem mee. Daarmee kun je problemen in één bepaalde machine goed detecteren. Maar dat werkt dus alleen voor dat ene apparaat en onder bepaalde omstandigheden. Als je een andere machine in de gaten wilt houden, zul je de trillingskenmerken weer opnieuw moeten bepalen. En dit soort onderzoek is erg duur, kan ik je vertellen.”

Web

Vier jaar geleden begon Ypma daarom aan de ontwikkeling van een algemenere methode, een project dat financieel wordt ondersteund door STW. In plaats van het trilgedrag uitentreuren te beschrijven, koos hij voor een lerend systeem dat bad vibes snel kan herkennen: een zogenaamd neuraal netwerk. Die keuze was niet helemaal onverwacht, gezien zijn achtergrond als informaticus. ,,Tijdens mijn afstudeerproject heb ik me ook bezig gehouden met neurale netwerken en lerende systemen, dus dat had ik al een beetje onder de knie.”

Neurale netwerken, computersystemen die de werking van de hersenen simuleren, kwamen in de jaren tachtig in zwang. Omdat computers steeds meer informatie moesten verstouwen, zochten informatici toen naar een manier om een aantal datastromen gelijktijdig te kunnen verwerken. Daarbij werd flink leentjebuur gespeeld bij het menselijke zenuwstelsel, wat uiteindelijk de neurocomputer opleverde. Deze bevat geen starre programmatuur meer, maar een groot aantal onderling verbonden ‘probleemoplossertjes’, de neuronen.

Een neuraal netwerk verwerkt de informatie niet langer door een rits strikte instructies af te lopen, maar door van voorbeelden te leren. Stop er data in, geef aan wat voor resultaat er verwacht wordt, en het systeem stelt zichzelf zodanig in dat de gewenste uitkomst er ook uitrolt. Er ontstaat een pakket van parameters en drempelwaarden dat bepaalt hoe de informatie door het gelaagde web van elektronische zenuwknooppunten stroomt. Elk knooppunt draagt zijn steentje bij aan de signaalverwerking, en uiteindelijk druipt de uitkomst er bij de output layer weer uit.

Dat klinkt mysterieus, als een black box, computationele voodoo haast. Maar volgens Ypma wordt het leerproces van neurocomputers goed begrepen. De vergelijking met echte hersenen, nog steeds een uiterst mysterieus orgaan, gaat namelijk mank. ,,Ik was in het begin ook erg gefascineerd door de analogie met het menselijke brein, en het feit dat een systeem kan leren van voorbeelden”, erkent de onderzoeker. ,,Maar dat eerste aspect verdween in de loop der tijd naar de achtergrond. Een neuraal netwerk is voor mij nu gewoon een tool, een instrument dat je optimaliseert op een set data. Het enige waar je voor moet oppassen is overfitting. Dan is het netwerk eigenlijk te veel getraind op één verzameling gegevens, waardoor hij in de praktijk slecht kan presteren.”

Patroonherkenners zijn vooral gecharmeerd van neurale systemen omdat ze snel orde in schijnbaar chaotische meetsignalen kunnen brengen. Ze gebruiken het dan ook meer als een statistisch instrument, een ‘multivariante, niet-lineaire analysemethode’. Met als voordeel dat er niet veel modelkennis in gestopt hoeft te worden. Ypma paste zo’n systeem daarom toe om het trillingspatroon van een dompelpomp in kaart te brengen. ,,Van dit soort pompen staan er honderden door heel Nederland, vooral in polders”, vertelt hij. ,,Onbewaakt, dus als er één kapot gaat wordt dat niet altijd opgemerkt. Vooral lagers, tandwielen en ongebalanceerde assen zijn notoire foutveroorzakers, iets wat je uit een verandering in de trillingskarakteristiek snel kunt opmaken. Je leert het netwerk gewoon hoe het patroon van een gezonde pomp eruit ziet, en afwijkingen van de norm blijken dan goed te detecteren. Althans, in de gevallen die we onderzocht hebben.”

Blind

Om zoveel mogelijk meetdata aan de pomp te ontfutselen, bracht de onderzoeker drie versnellingssensoren op het apparaat aan. Een pomp kan tenslotte langs drie richtingsassen trillen. Maar daarbij liep hij gelijk tegen een nieuw probleem aan: je krijgt zo wel meer gegevens, maar die lijken nogal op elkaar. De trillingen van demotor, de ophanging en andere trillingsbronnen in de buurt staan kriskras door elkaar. Om deze overlapping teniet te doen, zocht Ypma zijn heil bij een nieuwe techniek: blind source separation.

,,De truc is dat de verschillende trillingsbronnen zowel in tijd als frequentie onafhankelijk zijn. Met die kennis kun je de vibratiespectra, de vingerafdrukken van een gekoppeld pompsysteem, dus weer uit elkaar trekken. Dit hebben we getest door een klein pompje op een grotere pomp te zetten, en ze gelijktijdig te laten draaien. Deze trillingsbronnen blijk je zo heel goed te kunnen onderscheiden, zonder dat je de hele machine hoeft door te meten.”

Met deze benadering is volgens hem ook veel minder kennis nodig om een machine te kenschetsen. Daarmee heeft hij een sterk punt, want zo ligt een betaalbare automatische foutopsporingsmethode in het verschiet. Neurale netwerken zijn namelijk eenvoudig om te zetten in relatief goedkope hardware. Inmiddels heeft hij daarom zeven maanden extra aan zijn onderzoekstijd vastgeplakt, en gaat hij zijn systeem verder uitwerken voor onder meer een lagerfabrikant en een technisch meetbureau.

Ypma: ,,Ik vind het nu wel belangrijk dat er iets concreets uit dit onderzoek komt, hoewel ik aan het begin toch wat afstand van de praktijk heb genomen. Dan wil je je nog niet te veel vastleggen op real world opstellingen. Maar je moet ergens een brug slaan. Patroonherkenning draait tenslotte niet alleen om theorie-ontwikkeling, maar ook om gebruiksnut. Dat ik zo dicht op de machine zou eindigen, had ik echter niet verwacht.”

Kapotte machines lopen soms luid knarsend aan de grond, maar vaak is hun gekerm veel subtieler. Het trillingspatroon van motoren blijkt stille hints voor opgelopen averij te bevatten. Over dompelpompen, en hoe de computer hun vingerafdruk leerde herkennen.

Rammeltjes, boventonen, ternauwernood hoorbaar gezoem: door de wol geverfde monteurs kunnen aan het geluid van een auto veel afleiden over de conditie van het voertuig. Door jaren ervaring merken ze afwijkingen in het motorische klankspel meteen op, ook als oliedruk of temperatuur geen directe aanleiding tot zorg geven.

De analyse van geluid en trillingen is een veelgebruikte methode om de vinger op machinale problemen te leggen. Trillingen zijn als het ware de hartslag van een mechanisch apparaat, een goede indicator van de algehele gesteldheid. En een stuk handiger dan het hele ding preventief uit elkaar te schroeven.

,,Het trillingspatroon beschrijft de algemene karakteristiek van draaiende machines heel nauwkeurig”, vertelt drs. Alexander Ypma, promovendus bij de onderzoeksgroep patroonherkennen van TNW. ,,Je kunt het zien als een soort vingerafdruk. Veranderingen in deze trillingkarakteristiek kunnen dan ook een voorbode van ernstige schade zijn.”

Van kostbare machines zijn meestal voldoende meetdata bekend om afwijkingen in de vibratiehandtekening te kunnen duiden. Een trillinkje zus betekent een versleten lager, een bevinkje zo dat tandwielkast een smeerbeurt nodig heeft. Gespecialiseerde meetbureaus keren zo het hele vibratiespectrum binnenstebuiten, op zoek naar aanwijzingen voor slijtage en veroudering.

Als je alleen geïnteresseerd bent in één apparaat, kun je het daar ook wel bij laten. Ypma: ,,De kennis die je zo opdoet kun je formaliseren. Je beschrijft de trillingskarakteristiek dan uitputtend, en bepaalt van elke verandering in het patroon wat het betekent. Vervolgens stop je die data in een computer, en bouw je er een expertsysteem mee. Daarmee kun je problemen in één bepaalde machine goed detecteren. Maar dat werkt dus alleen voor dat ene apparaat en onder bepaalde omstandigheden. Als je een andere machine in de gaten wilt houden, zul je de trillingskenmerken weer opnieuw moeten bepalen. En dit soort onderzoek is erg duur, kan ik je vertellen.”

Web

Vier jaar geleden begon Ypma daarom aan de ontwikkeling van een algemenere methode, een project dat financieel wordt ondersteund door STW. In plaats van het trilgedrag uitentreuren te beschrijven, koos hij voor een lerend systeem dat bad vibes snel kan herkennen: een zogenaamd neuraal netwerk. Die keuze was niet helemaal onverwacht, gezien zijn achtergrond als informaticus. ,,Tijdens mijn afstudeerproject heb ik me ook bezig gehouden met neurale netwerken en lerende systemen, dus dat had ik al een beetje onder de knie.”

Neurale netwerken, computersystemen die de werking van de hersenen simuleren, kwamen in de jaren tachtig in zwang. Omdat computers steeds meer informatie moesten verstouwen, zochten informatici toen naar een manier om een aantal datastromen gelijktijdig te kunnen verwerken. Daarbij werd flink leentjebuur gespeeld bij het menselijke zenuwstelsel, wat uiteindelijk de neurocomputer opleverde. Deze bevat geen starre programmatuur meer, maar een groot aantal onderling verbonden ‘probleemoplossertjes’, de neuronen.

Een neuraal netwerk verwerkt de informatie niet langer door een rits strikte instructies af te lopen, maar door van voorbeelden te leren. Stop er data in, geef aan wat voor resultaat er verwacht wordt, en het systeem stelt zichzelf zodanig in dat de gewenste uitkomst er ook uitrolt. Er ontstaat een pakket van parameters en drempelwaarden dat bepaalt hoe de informatie door het gelaagde web van elektronische zenuwknooppunten stroomt. Elk knooppunt draagt zijn steentje bij aan de signaalverwerking, en uiteindelijk druipt de uitkomst er bij de output layer weer uit.

Dat klinkt mysterieus, als een black box, computationele voodoo haast. Maar volgens Ypma wordt het leerproces van neurocomputers goed begrepen. De vergelijking met echte hersenen, nog steeds een uiterst mysterieus orgaan, gaat namelijk mank. ,,Ik was in het begin ook erg gefascineerd door de analogie met het menselijke brein, en het feit dat een systeem kan leren van voorbeelden”, erkent de onderzoeker. ,,Maar dat eerste aspect verdween in de loop der tijd naar de achtergrond. Een neuraal netwerk is voor mij nu gewoon een tool, een instrument dat je optimaliseert op een set data. Het enige waar je voor moet oppassen is overfitting. Dan is het netwerk eigenlijk te veel getraind op één verzameling gegevens, waardoor hij in de praktijk slecht kan presteren.”

Patroonherkenners zijn vooral gecharmeerd van neurale systemen omdat ze snel orde in schijnbaar chaotische meetsignalen kunnen brengen. Ze gebruiken het dan ook meer als een statistisch instrument, een ‘multivariante, niet-lineaire analysemethode’. Met als voordeel dat er niet veel modelkennis in gestopt hoeft te worden. Ypma paste zo’n systeem daarom toe om het trillingspatroon van een dompelpomp in kaart te brengen. ,,Van dit soort pompen staan er honderden door heel Nederland, vooral in polders”, vertelt hij. ,,Onbewaakt, dus als er één kapot gaat wordt dat niet altijd opgemerkt. Vooral lagers, tandwielen en ongebalanceerde assen zijn notoire foutveroorzakers, iets wat je uit een verandering in de trillingskarakteristiek snel kunt opmaken. Je leert het netwerk gewoon hoe het patroon van een gezonde pomp eruit ziet, en afwijkingen van de norm blijken dan goed te detecteren. Althans, in de gevallen die we onderzocht hebben.”

Blind

Om zoveel mogelijk meetdata aan de pomp te ontfutselen, bracht de onderzoeker drie versnellingssensoren op het apparaat aan. Een pomp kan tenslotte langs drie richtingsassen trillen. Maar daarbij liep hij gelijk tegen een nieuw probleem aan: je krijgt zo wel meer gegevens, maar die lijken nogal op elkaar. De trillingen van demotor, de ophanging en andere trillingsbronnen in de buurt staan kriskras door elkaar. Om deze overlapping teniet te doen, zocht Ypma zijn heil bij een nieuwe techniek: blind source separation.

,,De truc is dat de verschillende trillingsbronnen zowel in tijd als frequentie onafhankelijk zijn. Met die kennis kun je de vibratiespectra, de vingerafdrukken van een gekoppeld pompsysteem, dus weer uit elkaar trekken. Dit hebben we getest door een klein pompje op een grotere pomp te zetten, en ze gelijktijdig te laten draaien. Deze trillingsbronnen blijk je zo heel goed te kunnen onderscheiden, zonder dat je de hele machine hoeft door te meten.”

Met deze benadering is volgens hem ook veel minder kennis nodig om een machine te kenschetsen. Daarmee heeft hij een sterk punt, want zo ligt een betaalbare automatische foutopsporingsmethode in het verschiet. Neurale netwerken zijn namelijk eenvoudig om te zetten in relatief goedkope hardware. Inmiddels heeft hij daarom zeven maanden extra aan zijn onderzoekstijd vastgeplakt, en gaat hij zijn systeem verder uitwerken voor onder meer een lagerfabrikant en een technisch meetbureau.

Ypma: ,,Ik vind het nu wel belangrijk dat er iets concreets uit dit onderzoek komt, hoewel ik aan het begin toch wat afstand van de praktijk heb genomen. Dan wil je je nog niet te veel vastleggen op real world opstellingen. Maar je moet ergens een brug slaan. Patroonherkenning draait tenslotte niet alleen om theorie-ontwikkeling, maar ook om gebruiksnut. Dat ik zo dicht op de machine zou eindigen, had ik echter niet verwacht.”