Ontwikkeling en toepassing van nieuwe kunstmatige intelligente technieken voor conditiebewaking van tandwielkasten

Er zijn veel Machine Learning (ML) en Artificial Intelligence (AI) methoden voorgesteld voor het opsporen van fouten in tandwielen, hetzij half-gesuperviseerde leermethoden (foutenopsporing) hetzij gesuperviseerde leermethoden (foutenclassificatie). Een aantal diagnostische indicatoren, vaak 'engineering' of 'handcrafted features' genoemd, zijn in deze methoden als input gebruikt. De laatste jaren zijn diverse AI-methoden, zoals Deep Learning (Convolutionele Neurale Netwerken, Recurrente Neurale Netwerken, Deep Belief Networks, Autoencoders enz.), gebruikt om rechtstreeks uit de ruwe signalen diagnostische kenmerken te extraheren, die gewoonlijk intelligente kenmerken worden genoemd. Een overdraagbaar Convolutioneel Neuraal Netwerk (CNN) is voorgesteld voor diagnostische taken bij lagers en versnellingsbakken. Door de gewichten van een aantal lagen te bevriezen en de rest fijn af te stellen, wordt verwacht dat het model meer discriminerende kenmerken zal extraheren in vergelijking met de niet-overdraagbare. De prestaties van data-driven methoden hangen echter sterk samen met de hoeveelheid en de kwaliteit van de dataset die voor de training ervan wordt gebruikt. Het verwerven van een voldoende grote en informatieve dataset van de doelmachine kan onpraktisch zijn, voornamelijk vanwege de hoge kosten en de lange verwervingstijd. Hoewel steeds meer aandrijflijnen en versnellingsbakken met sensoren zijn uitgerust, zijn er nog geen Big Data uit het veld beschikbaar die voldoen aan de vier V's, namelijk Volume, Velocity, Variety en Veracity. Om dit knelpunt op te lossen, is Transfer Learning (TL) geïntroduceerd. Transfer Learning (TL) is een veelbelovende benadering om het generalisatievermogen van modellen te verbeteren. Hoewel deze technieken veelbelovend zijn, is hun volledige potentieel nog niet verkend wegens het gebrek aan een betrouwbare 'ground truth'. Er moeten nieuwe methoden worden ontwikkeld en de technieken moeten worden aangepast om ten volle gebruik te maken van deze bron van informatie. Bovendien moeten de methodologieën worden gevalideerd in industrieel relevante gevallen.