Prediktivt underhåll är ett tillvägagångssätt där en maskin enbart underhålls när den visar tecken på att gå sönder. Jämfört med planerat underhåll kan detta minska både kostnader och resursförbrukning. Ljud kan användas för prediktivt underhåll när en avvikelse i en maskin inte är visuellt uppenbar eller om inga sensorer kan placeras i eller på maskinen. Vanligtvis används maskininlärningsmodeller som kräver stora mängder träningsdata och datorkraft för prediktivt underhåll. För att detta ska kunna bli hållbart vid storskalig implementering krävs mer effektiva och hållbara metoder.

Det har i tidigare studier visat sig effektivt att använda transfer learning med färdigtränade bildklassificeringsmodeller och enklare statistiska modeller för klassificering av maskinljud som normalt eller onormalt. Denna metod har fördelen att modellerna endast behöver tränas på normalt maskinljud, utan att kräva maskinens haveri. Utöver det minimeras mängden datorkraft som behövs då kunskaper i de redan tränade bildklassificeringsmodellerna utnyttjas.

I det här arbetet undersöks en praktisk implementering av denna metod för feldetektering i transmissioner. Först återskapas studien som föreslog metoden för att undersöka dess resultat. Metoden används sedan för en remväxel, som allt eftersom bromsas för att generera ett onormalt ljud. För att undersöka hur mikrofonens placering påverkar resultaten spelas ljudet från remväxeln in på tre olika avstånd troliga att användas i industrin: på maskinen, bredvid maskinen, och i samma rum som maskinen.

Resultaten från den tidigare studien kunde inte helt återskapas. Medan några av resultaten var liknande finns det överlag en stor variation, där vissa modeller gav upp till 40 %-enheter lägre AUC-värden, och andra gav upp till 25 %-enheter högre. Att resultaten skiljer sig åt förklaras sannolikt av att vikterna i de färdigtränade bildklassificeringsmodellerna, och inställningarna i de statistiska modellerna, skiljer sig från de som användes i studien.

Resultaten från remväxeln visar att metoden ger en mycket god feldetektering, på alla undersökta avstånd. Detta tyder på att metoden bör vara möjlig att använda även för andra transmissioner. Troligtvis beror detta på att transmission avger ett statiskt ljud med en statisk skillnad vid bromsning. Således bör metoden även gå att implementera för andra maskiner med statiska ljud. Då datan samlades in i en labmiljö och från en enkel testrig bör framtida arbete fokusera på att testa metoden på fler typer av transmissioner, samt bakgrundsljud och mikrofonplaceringens inverkan på resultatet i en verklig industriell miljö.

Predictive maintenance refers to the practice of determining when a machine is about to break down, and only servicing it when really needed. This has the potential both to reduce service costs and industrial waste. Predictive maintenance using sound can be used when an anomaly in a machine is not visually apparent or if no sensors can be placed in or on the machine. Usually, predictive maintenance is done with machine learning methods that requires large amounts of training data and computational resources. If predictive maintenance is to be implemented on a large scale, more efficient methods are needed.

It has been shown in previous studies that transfer learning with pretrained image classification models, and simpler anomaly detection models, can be effective for predictive maintenance with sound. This method has the benefit of only needing to be trained on the normal working sound of a machine, not requiring machine breakdowns. The method also requires less computational power than other methods, as it leverages pretrained image classification models.

This thesis explores a practical implementation with transfer learning for use in transmissions.  First, the method is validated through reproducing the study that proposed it. Then, it is extended to an implementation in a belt transmission, which was increasingly braked to simulate an anomaly. In order to investigate how the microphone placement impacts the method’s performance, the microphone was placed at three different locations likely to be encountered in industry: on the machine, next to the machine, and in the same room as the machine.

The results from the validation part do not fully align with the results obtained in the replicated study. While some results are close there is a large variation, with some models giving up to 40 %-units lower AUC scores, and others giving up to 25 %-units higher. This discrepancy is likely explained, at least in part, by the weights and settings of the models differing from the ones used in the replicated study.

Evaluating the models for a belt transmission shows that the method provides excellent anomaly detection rate at all investigated distances. These results indicates that using this method in an industrial transmission could indeed be viable. This is likely because of the static sound emitted by the transmission and the static change in frequency when braking it. The method is thus also likely applicable to other machines and anomalies with static sound. Since these results were obtained in a controlled environment and from a simple test rig, future work should investigate this method for other transmissions, and in real industrial environments.