Novel Maritime Condition monitoring technology by acoustic emission and machine learning processing for Lifetime Optimisation.

Skipsfremdriftssystemer, som motorer og thrustere, er avgjørende for trygg fremdrift av sjøfartøy. Til sammen med utstyr som ankervinsjer og pumper, spiller roterende utstyr viktige roller for skipets sikkerhet, drift og levetid. I maritim industri brukes i dag vanligvis både inspeksjonsrutiner og sensorer for å overvåke forhold som vibrasjoner og temperatur. Imidlertid oppdager denne tilnærmingen ofte betydelige skader bare når de er godt utviklet, som et brudd i et gir eller stor skade på en lagerflate. På dette punktet kan et totalt sammenbrudd være nært forestående, og det er begrensed mulighet for forebyggende tiltak. I forskningsprosjektet MarCoPolo vil et konsortium ledet av Kongsberg Maritime introdusere en ny teknologi for tidlig skadedetektering og forebyggende tiltak. Der kombinerer vi avansert maskinlæring (ML) og teknologier bassert på akustisk emisjon (AE) fra materialer i thrustere og annet roterende utstyr. Målet er å både oppdage og karakterisere mikroskopiske skader som utvikles under overflaten i roterende utstyr, og dette før disse utvikles til store skader med store negative konsekvenser. Ved å beskrive disse skader i en digital tvilling av maskinen vil vi muliggjøre en vurdering av gjenværende levetid og planlegging av vedlikehold og tiltak for å forlenge levetiden, for eksempel begrense kraft eller aktivere en så kallet "limp mode". Denne teknologien innebærer at ved å bruke signaler fra flere fjerntliggende AE-sensorer så er det mulig å bestemme både størrelsen og stedene for utmattingssprekker i maskinenes deler. I den digitale tvillingen tar vi også hensyn til effektene av maskinens materialer og hvordan de er produsert for å vurdere den totale levetiden. Denne tilnærmingen gir også muligheten å optimalisere levetiden til gir og lager gjennom å tilpasse produksjonsprosesser for disse.

Ship propulsion systems, e.g., engines, thrusters, and shaft lines, as well as other rotating machinery, e.g., anchor winches and pumps (illustrated in Figure 1), are fundamental for the operation and safety of all sea going vessels. Common for these applications is that safety and reliability of the machinery cannot be compromised. In modern ships, there are often both comprehensive maintenance regimes as well as sensors providing input on operational conditions, such as vibrations and temperature. However, this approach to damage detection requires that a significant damage (usually a fractured gear tooth or a large damage in a bearing surface) is already developed and causing elevated temperatures and increased vibrations. At this point, total breakdown of the component is often imminent, leaving little time for lifetime extending actions and maintenance planning. The innovation in the current research project, MarCoPolo, consists of the employment of advanced machine learning (ML) and acoustic emission (AE) technologies in ship thrusters and other rotating machinery, not only to enable very early detection of subsurface material damage and degradation, but also through real-time damage characterisation and integration in a digital twin establish improved RUL assessment, as well as predictive maintenance planning and lifetime extension measures, such as power restrictions or a “limp mode”. The RUL estimation involves determination of the size and locations of fatigue cracks by processing of signals from remote AE sensors and linking this to numerical assessment of fracture crack growth. In addition, the effects of component materials, heat treatments and surface modification on lifetime (fatigue crack initiation and growth) will be included by also considering the resulting stress states and material properties. This technology will be used to optimise lifetime of the gears and bearings by tailoring the manufacturing processes.