Fysica-gestuurde gefuseerde afbeeldingsleer met verbeterde squeeze-excitatie voor faalanalyse van meertraps centrifugaalpompen

Waarom slimmer pompmonitoring ertoe doet

Achter veel fabrieken, energiecentrales en watersystemen draaien meertraps centrifugaalpompen die stilletjes vloeistoffen in beweging houden. Wanneer deze pompen verborgen schade oplopen, kunnen bedrijven duizenden uren aan reparaties kwijt raken en miljoenen dollars verliezen door stilstand en ongevallen. Deze studie laat zien hoe het combineren van fysische kennis met moderne op afbeeldingen gebaseerde kunstmatige intelligentie subtiele problemen in deze pompen vroeg kan opsporen, zelfs wanneer signalen luidruchtig zijn en de bedrijfsomstandigheden veranderen.

Het verborgen leven van industriële pompen

Meertraps centrifugaalpompen gebruiken meerdere draaiende waaiertrappen in serie om druk op te bouwen en het medium door leidingen te duwen. In echte installaties hebben storingen in deze pompen geleid tot duizenden onderhoudsuren en tientallen miljoenen dollars aan verliezen. De meest problematische kwesties beginnen vaak als “zachte” defecten: kleine gaatjes of krasjes in mechanische afdichtingen en beginnende corrosie op waaierbladen. Deze gebreken stoppen de pomp niet onmiddellijk, maar tasten de prestaties en veiligheid langzaam aan. Omdat de pompen onder verschillende drukken draaien en omringd zijn door ander trillend equipment, liggen de vroege signalen van problemen begraven in complexe, ruisende trillingsgegevens.

Trillingen omzetten in informatieve beelden

De auteurs bouwden een testopstelling gebaseerd op een industriële pomp en introduceerden doelbewust drie realistische zachte defecten: een geboord gaatje in een afdichting, een kras op een afdichting en materiaalverlies op één waaier, naast een normale conditie. Trillingssensoren werden gemonteerd op het pomphuis, nabij de afdichtingen en nabij de waaier. In plaats van het volledige trillingsrecord als even nuttig te beschouwen, verdeelde het team elk signaal eerst in vele korte tijdvensters. Ze beoordeelden deze vensters vervolgens met drie fysisch zinvolle grootheden: totale energie, impulsiviteit en hoeveel van de energie in een frequentieband lag die uit de pompmodelkunde bekendstaat als gevoelig voor defecten. Alleen de hoogste scorende vensters, het meest waarschijnlijk om nuttige foutinformatie te bevatten, werden bewaard voor verdere analyse.

Drie gezichtspunten van hetzelfde signaal fuseren

Van elk geselecteerd venster creëerden de onderzoekers een speciale “gefuseerde” afbeelding die verschillende aspecten van het pompgedrag vastlegt. Eén kanaal is een fysica-gestuurde variant van een Mel-spectrogram, dat benadrukt hoe trillingsenergie zich over tijd en frequentie verdeelt, met extra aandacht voor het frequentiebereik waar fouten typisch naar voren komen. Een tweede kanaal, genaamd Gramian Angular Difference Field, zet het tijdsignaal om in een patroonrijke afbeelding die laat zien hoe punten in het signaal zich in de tijd tot elkaar verhouden, waardoor onregelmatige inslagen en niet-lineaire veranderingen opvallen. Een derde kanaal, de Cross Interaction Map, versterkt gebieden waar beide andere weergaven overeenkomen en verzwakt die welke waarschijnlijk door ruis worden veroorzaakt. Het stapelen van deze drie kanalen levert een compacte afbeelding op die tijd, frequentie en temporele structuur samen codeert.

Kunstmatige intelligentie begeleiden met fysica

Deze gefuseerde afbeeldingen worden vervolgens gevoerd aan een compacte convolutionele neurale netwerk dat leert patronen te herkennen die gekoppeld zijn aan specifieke pompcondities. Een belangrijke innovatie is een “verbeterd squeeze-excitatie” aandachtmechanisme. In eenvoudige termen kijkt het netwerk niet alleen naar de afbeeldingskenmerken die het heeft geleerd; het ontvangt ook een kleine zijvector met klassieke trillingsindicatoren die uit de fysica zijn afgeleid, zoals de root mean square-waarde, impulsiviteit, crestfactor en het aandeel van de energie in de foutgevoelige band. De aandachtmodule gebruikt deze zijinformatie om te beslissen welke interne feature-kanalen benadrukt of afgezwakt moeten worden, waardoor het netwerk wordt gestuurd om te focussen op patronen die overeenkomen met echte mechanische verschijnselen in plaats van toevallige correlaties in de data.

Hoe goed werkt de aanpak?

Het framework werd getest op echte trillingsgegevens van de pompopstelling die draaide bij drie drukken die representatief zijn voor industrieel gebruik: 3 bar, 3,5 bar en 4 bar. Voor elke druk moest het model normale werking onderscheiden van de drie fouttypes. Over alle drukken behaalde het een classificatienauwkeurigheid van meer dan 99 procent, met een macro F1-score (een evenwicht tussen precisie en recall) eveneens boven 0,99, en het bereikte perfecte scores bij de hoogste druk. De auteurs vergeleken hun methode met verschillende geavanceerde alternatieven, waaronder transfer learning van standaard afbeeldingsnetwerken, entropie-gebaseerde feature-extractie en andere fysica-geïnspireerde deep modellen. In alle gevallen evenaarde of overtrof het fysica-gestuurde gefuseerde beeld plus aandacht-framework deze concurrenten, vooral wanneer de bedrijfsomstandigheden varieerden.

Wat dit betekent voor praktijkgericht onderhoud

Voor ingenieurs en installatiebeheerders illustreert dit werk een praktische manier om hun begrip van pompmechanica te combineren met de patroonvindende kracht van deep learning. Door zorgvuldig de meest informatieve delen van trillingssignalen te selecteren, deze om te zetten in rijke maar compacte afbeeldingen en het netwerk te sturen met eenvoudige fysieke indicatoren, kan de methode vroegtijdig beginnende schade aan afdichtingen en waaierbladen betrouwbaar signaleren, lang voordat er een catastrofale storing optreedt. Op lange termijn zouden zulke fysica-bewuste AI-hulpmiddelen onderhoud van pompen kunnen verschuiven van reactieve reparaties na uitval naar geplande ingrepen gebaseerd op betrouwbare vroege waarschuwingen.

Bronvermelding: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Trefwoorden: defecten centrifugaalpomp, trillingsmonitoring, fysica-gestuurde deep learning, conditiegebaseerd onderhoud, industriële diagnostiek