Local fault detection of rolling element bearing components by spectrogram clustering with semi-binary NMF

• Autorzy: Wodecki J. , Zdunek R. , Wyłomańska A. , Zimroz R.

Warianty tytułu

PL

Wykrywanie uszkodzeń lokalnych elementów łożysk tocznych poprzez klasteryzację spektrogramu za pomocą półbinarnej nieujemnej faktoryzacji macierzy

• Języki publikacji: EN

Abstrakty

EN

Information extraction is a very important problem nowadays. In diagnostics, it is particularly useful when one desires to isolate information about machine damage from a measured diagnostic signal. The method presented in this paper utilizes the idea that is based on a very important topic in numerical algebra, which is nonnegative matrix factorization. When applied to the matrix of multidimensional representation of the measured data, it can extract very useful information about the events which occur in the signal and are not recognizable otherwise. In the presented methodology, we use the algorithm called Semi-Binary Nonnegative Matrix Factorization (SB-NMF), and apply it to a time-frequency representation of the real-life vibration signal measured on faulty bearing operating in a belt conveyor driving station. Detected impulses of local damage are clearly identifiable. Performance of the algorithm is very satisfying in terms of time efficiency and output signal quality.

PL

Ekstrakcja informacji jest aktualnym kierunkiem badań. Jest ona szczególnie użyteczna, kiedy próbuje się wyizolować informację na temat uszkodzenia maszyny z zarejestrowanego sygnału diagnostycznego. Metoda zaprezentowana w niniejszej pracy bazuje na bardzo ważnym zagadnieniu algebry numerycznej, jakim jest nieujemna faktoryzacja macierzy. Kiedy jest ona zastosowana do analizy macierzy będącej wielowymiarową reprezentacją sygnału wejściowego, może wyizolować informację istotną z punktu widzenia procesów zachodzących w sygnale, a która nie jest rozpoznawalna w inny sposób. Przedstawiona metodologia korzysta z algorytmu znanego jako półbinarna nieujemna faktoryzacja macierzy, zastosowanego do reprezentacji czasowo-częstotliwościowej rzeczywistego sygnału drganiowego, zmierzonego na uszkodzonym łożysku pracującym w stacji napędowej przenośnika taśmowego. Wykryte impulsy związane z uszkodzeniem lokalnym zostały wyraźnie zidentyfikowane. Działanie algorytmu jest satysfakcjonujące w kwestii wydajności obliczeniowej oraz jakości otrzymanego wyniku.

Słowa kluczowe

EN

vibration data; time-frequency analysis; nonnegative matrix factorization; local damage detection

PL

dane drganiowe; analiza czasowo-częstotliwościowa; nieujemna faktoryzacja macierzy; wykrywanie uszkodzeń lokalnych

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2017
• Tom: Vol. 18, No. 1
• Strony: 3--8
• Opis fizyczny: Bibliogr. 22 poz., rys., wykr.

Twórcy

autor

Wodecki J.

• Machinery Systems Division, Na Grobli 15, Wroclaw University of Science and Technology, Poland

autor

Zdunek R.

• Faculty of Electronics, Wroclaw University of Science and Technology, Poland

autor

Wyłomańska A.

• KGHM CUPRUM Ltd CBR Sikorskiego 2-8 , 53-659 Wrocław

autor

Zimroz R.

• Machinery Systems Division, Na Grobli 15, Wroclaw University of Science and Technology, Poland

Bibliografia

• 1. Cichocki A, Zdunek R, Phan AH, Amari S. Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation, John Wiley and Sons, 2009.
• 2. Zdunek R. Data clustering with semi-binary nonnegative matrix factorization. LNAI-5097, Springer, 5097:705-716, 2008, Proc. ICAISC 2008.
• 3. Wang YX, Zhang YJ, Nonnegative Matrix Factorization: A Comprehensive Review, IEEE Trans. Knowledge and Data Engineering, 1013; 25(6):1336-1353.
• 4. Ding C, Li T, Jordan MI. Convex and SemiNonnegative Matrix Factorizations, IEEE Trans. Pattern Analysis and Machine Intelligence, 2010; 32(1): 45-55.
• 5. Lawson CL, Hanson RJ. Solving Least Squares Problems, Prentice-Hall, Englewood Cliffs, NJ, 1974.
• 6. Lee DD. Seung HS. Learning the parts of objects by non-negative matrix factorization, Nature, 1999; 401: 788-791.
• 7. Randall RB, Antoni J. Rolling element bearing diagnostics - A tutorial. Mechanical Systems and Signal Processing, 2011; 25(2): 485-520.
• 8. Samuel PD, Pines DJ. A review of vibration-based techniques for helicopter transmission diagnostics. Journal of Sound and Vibration, 2005; 282(1-2): 475-508.
• 9. Feng Z, Liang M, Chu F. Recent advances in timefrequency analysis methods for machinery fault diagnosis: a review with application examples. Mechanical Systems and Signal Processing, 2013; 38(1): 165-205.
• 10. Wylomanska A, Zimroz R, Janczura J, Obuchowski J. Impulsive Noise Cancellation Method for Copper Ore Crusher Vibration Signals Enhancement 2016 IEEE Transactions on Industrial Electronics, 2016; 63 (9): 5612-5621.
• 11. Wodecki J, Stefaniak P, Obuchowski J, Wylomanska A, Zimroz R. Combination of principal component analysis and time-frequency representations of multichannel vibration data for gearbox fault detection 2016 Journal of Vibroengineering 18 (4), pp. 2167-2175.
• 12. Żak G, Wyłomańska A, Zimroz R. Data-driven vibration signal filtering procedure based on the α- stable distribution. Journal of Vibroengineering 2016;18(2): 826-837.
• 13. Bartkowiak AM, Zimroz R. NMF and PCA as applied to gearbox fault data . Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 2015; 9375: 199-206.
• 14. Strączkiewicz M, Czop P, Barszcz T. Supervised and unsupervised learning process in damage classification of rolling element bearings. Diagnostyka, 2016; 17(2):71-80.
• 15. Barszcz T, Bielecki A, Wójcik M, Bielecka M. Art-2 artificial neural networks applications for classification of vibration signals and operational states of wind turbines for intelligent monitoring. Diagnostyka, 2013l 14(4): 21-26.
• 16. Walter Bartelmus Object and operation supported maintenance for mining equipment, Mining Science, 2014; 21: 7-21.
• 17. Zak G, Obuchowski J, Wylomańska A, Zimroz R. Application of ARMA modelling and alpha-stable distribution for local damage detection in bearings. Diagnostyka, 2014; 15(3): 3-10.
• 18. Obuchowski J, Wylomańska A., Zimroz R. Recent developments in vibration based diagnostics of gear and bearings used in belt conveyors. Applied Mechanics and Materials, 2014; 683:171-176.
• 19. Obuchowski J, Zimroz R, Wylomanska A. Identification of cyclic components in presence of non-Gaussian noise - application to crusher bearings damage detection. Journal of Vibroengineering, 2015; 17 (3): 1242-1252.
• 20. Oppenheim AV, Schafer RW, Buck JR. DiscreteTime Signal Processing. 2nd Ed. Upper Saddle River, NJ: Prentice Hall, 1999.
• 21. Benesty J, Sondhi M, Huang Y. Springer Handbook of Speech Processing. Berlin, Springer, 2008.
• 22. Treumann RA, Baumjohann W. Beyond GibbsBoltzmann-Shannon: general entropies - the Gibbs - Lorentzian example. Front. Phys. 2014; 2:49. doi: 10.3389 /fphy.2014.00049.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).