0
Hopp til hovedinnhold

Tilstandsovervåking av store, saktegående rullingslagre

Martin Hemmer has submitted his thesis entitled “Condition Monitoring Methods for Large, Low-speed Bearings”, and will defend it for det assessment committee Friday 15 May 2020. (Photo: Private)

For å utvikle og evaluere metodene, samlet jeg inn data fra en offshore boremaskin som var inne for overhaling, simulerte data, samt flere testrigger. En av testriggene bygget vi ved UiA, spesielt for å påføre skade på rulleender under operasjon

Martin Hemmer

Ph.d.-kandidat og Senior Analyst

Disputasen foregår digitalt på internett fordi UiA er stengt på grunn av Corona covid-19-situasjonen. Se under for hvordan publikum kan overvære disputasen.

Martin Hemmer disputerer for ph.d.-graden med avhandlingen “Condition Monitoring Methods for Large, Low-speed Bearings” fredag 15. mai 2020.

I doktorgradsavhandlingen har han forsket på hvordan et rullingslager – et spesial-kulelager – kan bli overvåket mens det er i drift. Nærmere bestemt store, saktegående kulelager, med utgangspunkt i boremaskiner for offshore bruk.

Over tid vil det oppstå skader på lageret, og overvåkningen av tilstanden gjør det mulig å vurdere når lageret skal skiftes på en måte som fungerer optimalt i forhold til økonomi og drift. For å analysere driftsdata fra rullingslageret videreutviklet Hemmer tre ulike maskinlæringsalgoritmer. Å la datamaskiner gjøre analysejobben av måledata viste seg å være effektivt.

En gruppe studenter i UiA-opplegget «Studentar i forskingsprosjekt» laget et prosjekt i tilknytning til Hemmers doktorgradsarbeid.

Martin Hemmer har fulgt doktorgradsprogrammet ved Fakultet for teknologi og realfag, med spesialisering i mekatronikk. Doktorgradsarbeidet er finansiert ved UiAs SFI Offshore Mechatronics.

Slik oppsummerer kandidaten selv avhandlingen:

Tilstandsovervåking av store, saktegående rullingslagere

Et rullingslager er en maskinkomponent som brukes som et bindeledd mellom to maskindeler som roterer i forhold til hverandre, for å kunne overføre krefter med redusert friksjon.

Skade vil oppstå

Man finner rullingslager i roterende maskineri av alle typer og størrelser, fra armåndsur til store vindturbiner. Den grunnleggende virkemåten er likevel lik.

Enkelt sagt går man fra glidefriksjon til rullefriksjon ved å introdusere et lag av kuler eller ruller mellom de roterende delene.

En ytterring (1) og en innerring (3) holdes fra hverandre av kulene/rullene (4). Et bur (2) holder jevn avstand mellom kulene. Over tid vil det oppstå skader i lageret (5), som til slutt blir så store at de må byttes.

Avhengig av bruksområdet kan det enten være lønnsomt å bytte lageret ofte for sikkerhets skyld, eller bruke lageret til det havarerer.

I andre tilfeller ønsker man å overvåke tilstanden til lageret for så å bytte når det nærmer seg ødelagt, såkalt tilstandsbasert vedlikehold.

Figur 1 Prinsippskisse av et kulelager med en skade. 1: Ytterring, 2: Bur, 3: Innerring, 4: Kule, 5: Skade i ytterringen.

Figur 1 Prinsippskisse av et kulelager med en skade. 1: Ytterring, 2: Bur, 3: Innerring, 4: Kule, 5: Skade i ytterringen.

Ekstremt kostbare havarier

Avhandlingen tar for seg store, saktegående kulelager, med utgangspunkt i boremaskiner for offshore bruk.

Dette er et scenario hvor lagerhavari både er ekstremt kostbart og kan utgjøre en sikkerhetsrisiko.

Samtidig mangler gode metoder for overvåking av lagerets tilstand under drift. Dermed velges gjerne en vedlikeholdsstrategi med overhaling og utskiftning oftere enn det som er nødvendig.

Erfaringsmessig kan skader oppstå selv ved hyppig vedlikehold. Derfor kan forbedrede overvåkningsmetoder redusere kostnader og forhindre farlige situasjoner. 

Figur 2

Figur 2

Vibrasjoner indikerer skade

Måling av maskinens vibrasjon er en av de mest utbredte metodene for tilstandsovervåking.

En skade på de interne komponentene i lageret vil som regel skape vibrasjoner med en gitt frekvens, som gjør det mulig å detektere og identifisere skaden.

I arbeidet med avhandlingen ble det imidlertid avdekket at en feilmode som opptrer i boremaskinene – skraper på enden av koniske ruller – ikke ser ut til å skape disse frekvensene, og dermed ikke lar seg avdekke med tradisjonell vibrasjonsanalyse.

Jeg brukte derfor andre måleteknikker, særlig akustisk emisjon, for å undersøke hva som er best egnet for tilstandsovervåking av store, saktegående lager.

Figur 3

Figur 3

Maskinlæring for deteksjon og diagnostikk

For å utvikle og evaluere metodene, samlet jeg inn data fra en offshore boremaskin som var inne for overhaling, simulerte data, samt flere testrigger. En av testriggene bygget vi ved UiA, spesielt for å påføre skade på rulleender under operasjon.

I analysen brukte og videreutviklet jeg tre ulike maskinlæringsalgoritmer for å si noe om lagerets tilstand, istedenfor å basere meg på manuell analyse.

Å bruke datamaskiner til dataanalyse er en fordel i en verden der måledata blir stadig mer tilgjengelige, og tilgang på kvalifiserte analytikere fort blir en begrensning.

I tillegg har maskinlæringsalgoritmer vist seg å overgå mennesker i å finne struktur og mønster i store mengder data.  

Disse algoritmene viste seg effektive for å detektere avvik i målinger, samt deteksjon og diagnostisering av lagerskader.

Avhandlingen baserer seg på tre konferanseartikler og tre artikler publisert i fagfellevurderte tidsskrift som beskriver utførte tester og utvikling av testriggen, samt de ulike maskinlæringsalgoritmene.

 

Disputasfakta:

Kandidaten: Martin Hemmer (1989, Oslo) Bachelor of Engineering (B.E.) med studieretning Mechanical Engineering, Høgskolen i Oslo (2012), Mastergrad i Mechatronics, Robotics and Automation Engineering, Universitetet i Agder (2014, stipendiatperiode 2016 – 2019. Arbeider nå som Senior Analyst i The Condition & Maintenance Dept, MH Wirth i Kristiansand.

Prøveforelesning og disputas finner sted på internett i konferanseprogrammet Zoom (se link under) fredag 15. mai 2020.

Disputasen blir ledet av instituttleder, professor Geir Grasmo, Institutt for ingeniørvitenskap, UiA.

Prøveforelesning kl 10:15

Disputas kl 12:15

Oppgitt emne for prøveforelesning: “Incipient fault diagnosis: definition, detection (alarm design), methods and applications”

Tittel på avhandling: Condition Monitoring Methods for Large, Low-speed Bearings

Søk etter avhandlingen i AURA - Agder University Research Archive, som er et digitalt arkiv for vitenskapelige artikler, avhandlinger og masteroppgaver fra ansatte og studenter ved Universitetet i Agder. AURA blir jevnlig oppdatert.

Opponenter:

Førsteopponent: Professor Demba Diallo, Université Paris Sud, Frankrike

Annenopponent: Principal Scientist ved ABB og docent ved Universityetet i Jyväskelä, Finland Kari Saarinen 

Bedømmelseskomitéen er ledet av professor Joao Leal, Universitetet i Agder

Veiledere i doktorgradsarbeidet var professor Kjell Gunnar Robbersmyr, UiA (hovedveileder) og sjefsforsker dr.ing. Tor Inge Waag, Norce (tidligere seniorforsker i Teknova); Mathematical Simulation Model Developer for Drilling, ph.d. Kristian Gjerstad, SEKAL AS / MHWirth og professor Van Khang Huynh, UiA (medveiledere)

Slik gjør du som publikum:

Vi ber publikum om å ankomme digitalt tidligst ti minutter før oppgitt tid - det vil si  til prøveforelesningen 10:05 og disputasen tidligst kl 12:05. Etter disse klokkeslettene kan du når som helst forlate og komme inn igjen i møtet. Videre ber vi om at publikum slår av mikrofon og kamera, og har dette avslått under hele arrangementet. Det gjør du nederst til venstre i bildet når du er i Zoom. Vi anbefaler å velge «Speaker view». Dette velger du oppe til høyre i bildet når du er i Zoom.

Opponent ex auditorio:

Disputasleder inviterer til spørsmål ex auditorio i innledningen i disputasen, med tidsfrister. Disputasleders e-post er tilgjengelig i chat-funksjonen under disputasen. Spørsmål om ex auditorio kan sendes til disputasleder.

Avhandlingen er tilgjengelig her:

Lenke til disputasen, som formidles i konferanseprogrammet Zoom: https://uiano.zoom.us/j/63822828332

Her er framgangsmåten for å bruke Zoom: support.zoom.us om du ikke kommer inn ved å klikke på lenken.