Диагностика неисправностей подшипников качения с использованием пиков спектра и нейронных сетей

Автор: Ибряева Ольга Леонидовна, Мохаммад Мохаммад Науфол

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 2 т.11, 2022 года.

Бесплатный доступ

Важнейшими составляющими деталей машин являются подшипники качения, контроль за состоянием которых необходим, так как возможные дефекты в их конструкции могут привести к неправильной работе или общему выходу машин из строя. Современные решения по диагностике неисправностей подшипников обычно используют сложные процессы извлечения признаков, например, построение их изображений спектра Гильберта и дальнейшую мощную нейронную сеть для их классификации. В этой статье мы предлагаем простой, но, тем не менее, эффективный алгоритм решения данной задачи. Для выделения признаков из сигнала мы делим спектр сигнала на равные подинтервалы и находим максимум амплитуды и соответствующее значение частоты в каждом из них. В статье, на основе метода t-SNE, показано, что выделенные таким образом признаки, несмотря на свой небольшой размер, хорошо представляют разного типа сигналы. На втором этапе выделенные признаки поступают на вход простой нейронной сети классификатора. Предложенный метод обладает простотой в вычислительном отношении, как на этапе выделения признаков, так и на этапе обучения нейронной сети. Несмотря на это, метод дает 100% точность для всех типов сигналов на коротких данных из набора данных IMS.

Еще

Диагностика неисправностей, подшипник качения, спектр сигнала, нейронные сети, t-sne

Короткий адрес: https://sciup.org/147238111

IDR: 147238111   |   DOI: 10.14529/cmse220205

Список литературы Диагностика неисправностей подшипников качения с использованием пиков спектра и нейронных сетей

  • Yu X., Dong F., Ding E., et al. Rolling Bearing Fault Diagnosis Using Modified LFDA and EMD With Sensitive Feature Selection // IEEE Access. 2018. Vol. 6. R 3715-3730. DOI: 10.1109/ACCESS.2017.2773460.
  • Xu Y., Li Z., Wang S., et al. A hybrid deep-learning model for fault diagnosis of rolling bearings // Measurement. 2021. Vol. 169. P. 108502. DOI: 10.1016/j .measurement.2020. 108502.
  • Han H., Wang H., Liu Z., Wang J. Intelligent vibration signal denoising method based on non-local fully convolutional neural network for rolling bearings // ISA Transactions. 2022. Vol. 122. P. 13-23. DOI: 10.1016/j .isatra.2021.04.022.
  • Hamad R., Jarpe E., Lundstrom J. Stability Analysis of the t-SNE Algorithm for Human Activity Pattern Data // Proceedings - 2018 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2018. 2019. P. 1839-1845. DOI: 10.1109/SMC.2018.00318.
  • Prognostics Center of Excellence - Data Repository. URL: https : / / ti . arc . nasa . gov / tech / dash / groups / pcoe / prognostic - data - repository / Shearing (accessed: 21.01.2022).
  • Wang W., Ismail F., et al. An enhanced bispectrum technique with auxiliary frequency injection for induction motor health condition monitoring // IEEE Transactions on Instrumentation and Measurement. 2015. Vol. 64, no. 10. P. 2679-2687. DOI: 10.1109/TIM. 2015.2419031.
  • Zhen L., Zhengjia H., Yanyang Z., Xuefeng C. Bearing condition monitoring based on shock pulse method and improved redundant lifting scheme // Mathematics and Computers in Simulation. 2008. Vol. 79, no. 3. P. 318-338. DOI: 10.1016/j .matcom.2007.12.004.
  • Wang W., McFadden P. Early detection of gear failure by vibration analysis i. calculation of the time-frequency distribution // Mechanical Systems and Signal Processing. 1993. Vol. 7, no. 3. P. 193-203. DOI: 10.1006/mssp. 1993.1008.
  • Luo G.Y., Osypiw D., Irle M. On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing // Journal of vibration and control. 2003. Vol. 9, no. 8. P. 931-947.
  • Lei Y., Lin J., He Z., Zuo M.J. A review on empirical mode decomposition in fault diagnosis of rotating machinery // Mechanical Systems and Signal Processing. 2013. Vol. 35, no. 1-2. P. 108-126. DOI: 10.1016/j .ymssp.2012.09.015.
  • Yuan Z., Zhang L., Duan L., Li T. Intelligent fault diagnosis of rolling element bearings based on HHT and CNN // 2018 Prognostics and System Health Management Conference (PHM-Chongqing). IEEE, 2018. P. 292-296.
  • Liang Р., Deng С., Wu J., et al. Intelligent Fault Diagnosis of Rolling Element Bearing Based on Convolutional Neural Network and Frequency Spectrograms // 2019 IEEE International Conference on Prognostics and Health Management (ICPHM). IEEE, 2019. P. 1-5. DOI: 10.1109/ICPHM.2019.8819444.
  • Shao H., Jiang H., Zhao H., Wang F. A novel deep autoencoder feature learning method for rotating machinery fault diagnosis // Mechanical Systems and Signal Processing. 2017. Vol. C, no. 95. P. 187-204. DOI: 10.1016/J.YMSSP.2017.03.034.
  • Liu H., Zhou J., Zheng Y., et al. Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders // ISA transactions. 2018. Vol. 77. P. 167-178. DOI: 10.1016/ J.ISATRA.2018.04.005.
  • Xu Z., Li C., Yang Y. Fault diagnosis of rolling bearing of wind turbines based on the Variational Mode Decomposition and Deep Convolutional Neural Networks // Applied Soft Computing. 2020. Vol. 95. P. 106515. DOI: 10.1016/J.AS0C.2020.106515.
  • Chen Z., Cen J., Xiong J. Rolling Bearing Fault Diagnosis Using Time-Frequency Analysis and Deep Transfer Convolutional Neural Network // IEEE Access. 2020. Vol. 8. P. 150248-150261. DOI: 10.1109/ACCESS.2020.3016888.
  • Zhang W., Peng G., Li C., et al. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals // Sensors. 2017. Vol. 17, no. 2. P. 425. DOI: 10.3390/sl7020425.
  • Li X., Wang J., Zhang B. Fault diagnosis of rolling element bearing weak fault based on sparse decomposition and broad learning network // Transactions of the Institute of Measurement and Control. 2020. Vol. 42, no. 2. P. 169-179. DOI: 10.1177/0142331219864820.
  • Zhang R., Peng Z., Wu L., et al. Fault Diagnosis from Raw Sensor Data Using Deep Neural Networks Considering Temporal Coherence // Sensors. 2017. Vol. 17, no. 3. P. 549. DOI: 10.3390/S17030549.
Еще
Статья научная