Application of some advanced signal processing techniques for rolling element bearing fault detection

• Autorzy: Yiakopoulos C. , Antoniadis I.

Warianty tytułu

PL

Zastosowanie zaawansowanych metod analizy sygnału w wykrywaniu uszkodzeń elementów tocznych łożysk

• Języki publikacji: EN

Abstrakty

EN

Vibration response of rotating machines is typically mixed and corrupted by a variety of interfering sources and noise, leading to the necessity for the isolation of the useful signal components. A relevant frequently encountered industrial case is the need for the separation of the vibration responses of the same type of bearings inside the same machine. For this purpose, a Blind Source Separation procedure is applied, based on the maximization of the information transferred in a neural network structure. As has been proven, this approach is quite effective in separating signals with super-Gaussian distributions, as it is the case of the vibration response of defective rolling element bearings. The role of the non-linear sigmoid function used in the neural network of the method is discussed and the Kullback-Leibler information divergence is considered as a tool to adapt this non-linearity to the bearing distributions considered. The effectiveness of the method is demonstrated in an experimental application, where a class of optimum non-linear functions is compared to the classical logistic function.

PL

Sygnał drganiowy maszyn wirujących jest zazwyczaj zakłócony przez interferujące z nim sygnały innych źródeł oraz zakłócenia, co prowadzi do potrzeby ekstrachowania użytecznych składowych takiego sygnału. Często spotykanym w praktyce przemysłowej przypadkiem jest potrzeba separacji sygnałów drganiowych pochodzących od łożysk tego samego typu znajdujących się w tej samej maszynie. Do tego celu zastosowano procedurę ślepej separacji sygnałów wykorzystującą maksymalizację informacji przenoszonej przez strukturę sieci neuronowej. Zostało udowodnione, że w przypadku analizy sygnału wibroakustycznego generowanego przez uszkodzony element łożyska tocznego, takie podejście do separacji sygnałów może być efektywne przy założeniu ich super-gaussowskiego rozkładu. Rozważono możliwość adaptacji nieliniowej funkcji sigmoidalnej i dywergencji informacji Kullback-Leibler'a jako narzędzi wykrywania nieliniowości w sygnałach. W celu dostosowania nieliniowości do rozkładów sygnałów łożysk wykorzystywano nieliniową funkcję sigmoidalną oraz rozbieżność informacji Kullback-Leibler'a. Efektywność przedstawionej metody została zaprezentowana na przykładzie, w którym klasa optymalnych nieliniowych funkcji jest porównywana z klasycznymi funkcją logistyczną.

Słowa kluczowe

EN

defective rolling element bearings; neural networks

PL

diagnostyka łożysk; ślepa separacja sygnałów; sieci neuronowe

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2005
• Tom: Vol. 36
• Strony: 33--38
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Yiakopoulos C.

• National Technical University of Athens, School of Mechanical Engineering, Machine Design and Control Systems Section Athens 15773, Greece

autor

Antoniadis I.

• National Technical University of Athens, School of Mechanical Engineering, Machine Design and Control Systems Section Athens 15773, Greece

Bibliografia

• 1. P. Comon, 1994, “Independent component analysis, “a new concept?”, Signal Processing, 36, pp. 287-314.
• 2. J. Herault and C. Jutten, 1991, “Blind separation of sources, Part I: An adaptive algorithm based on neuromimetic structure”, Signal Processing, 24, pp. 1-10.
• 3. A. Bell and T. J. Sejnowski, 1995, “An information-maximization approach to blind source separation and blind deconvolution”, Neural Computation, 7(6), pp. 1004-1034.
• 4. S. Amari, A. Cichocki and H. H. Yang, 1996, “A new learning algorithm for blind signal separation”, In Advances in Neural Information Processing Systems, 8, pp. 757-763.
• 5. A. Cichocki, R. E. Bogner, L. Moszczynski and K. Pope, 1997, “Modified Herault-Jutten algorithms for blind separation of sources”, Signal Processing, 7, pp. 80-93.
• 6. Te-Won Lee, M. Girolami and T. J. Sejnowski, 1999, “Independent component analysis using an extended infomax algorithm for mixed subGaussian and super-Gaussian sources”, Neural Computation, 11(2), pp. 409-433.
• 7. J. F. Cardoso and B. Laheld, 1996, “Equivariant adaptive source separation”, IEEE Trans. on S.P., 45(2), pp. 434-444.
• 8. A. Hyvärinen and E. Oja, 2000, “Independent component analysis: algorithms and applications”, Neural Networks, 13(4), pp. 411-430.
• 9. M. Knaak, M. Fausten and D. Filbert, 2001, “Acoustical machine monitoring using blind source separation”, 4th International Conference on Acoustical and Vibratory Surveillance Methods and Diagnostic techniques, Compiegne/France.
• 10. C. Serviere and P. Fabry, 2001, “Blind separation of noisy harmonic signals for rotating machine diagnosis”, 4th International Conference on Acoustical and Vibratory Surveillance Methods and Diagnostic techniques, Compiegne/France
• 11. G. Gelle, M. Colas and C. Serviere, 2001, “Blind source separation: a tool for rotating machine monitoring by vibration analysis?”, Journal of Sound and Vibration, 248(5), pp. 865-885.
• 12. A. Ypma, A. Leshem and R. P. W. Duin, 2001, “Blind separation of rotating machine sources: bilinear forms and convolutive mixtures”, Elsevier Preprint zz, pp. 1-22.
• 13. G. Gelle, M. Golas and G. Dalaunay, 2000, “Blind sources separation applied rotating machines monitoring by acoustical and vibrations analysis”, Mechanical Systems and Signal Processing, 14(3), pp. 427-442.
• 14. W. Li, F. Gu, A. D. Ball, A. Y. T. Leung and C. E. Phipps, 2001, “A study of the noise from diesel engines using the independent component analysis”, Mechanical Systems and Signal Processing, 15(5), pp. 1165-1184.
• 15. C. Pachaud, R. Salvetat and C. Fray, 1997, ‘Crest factor and kurtosis contributions to identify defects inducing periodical impulsive forces’, Mechanical Systems and Signal Processing, 11(6), pp. 903-916.