Hybrid methodology of degradation feature extraction for bearing prognostics

• Autorzy: Gu H. , Zhao J. , Zhang X.

Warianty tytułu

PL

Metodyka hybrydowa ekstrakcji cech degradacji do zastosowań w prognozowaniu czasu życia łożysk

• Języki publikacji: EN

Abstrakty

EN

Hybrid methodology of degradation feature extraction was presented which may enable prediction of remaining useful life of a product. In this methodology, firstly, the signal was de-noised by wavelet analysis. Then the autoregressive model was used to remove the discrete frequencies from de-noised signal. Further, the residual signal which mainly contained impulsive fault signal was enhanced by minimum entropy deconvolution filter. The kurtosis was extracted which was taken as the feature for prognostics. At last, the empirical mode decomposition was used to reduce fluctuation of feature value and to extract the trend content. A case study was presented to verify the effectiveness of the proposed method.

PL

Przedstawiono hybrydową metodę ekstrakcji cech degradacji, która umożliwia przewidywanie pozostałego okresu użytkowania produktu. W tej metodyce, sygnał został najpierw odfiltrowany z wykorzystaniem analizy falkowej. Następnie, za pomocą modelu autoregresyjnego usunięto z pozbawionego szumów sygnału częstotliwości dyskretne. W dalszej kolejności, sygnał resztkowy, który zawierał głównie impulsowy sygnał uszkodzenia został wzmocniony z zastosowaniem filtru dekonwolucji minimum entropii. Obliczono kurtozę, którą przyjęto jako cechę w procesie prognozowania. Na koniec, zastosowano empiryczną dekompozycję sygnału (EMD) w celu zmniejszenia wahań wartości cechy oraz w celu ekstrakcji trendu. Studium przypadku demonstruje efektywność proponowanej metody.

Słowa kluczowe

EN

feature extraction; degradation; signal; bearing

PL

ekstrakcja cech; degradacja; sygnał; łożysko

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2013
• Tom: Vol. 15, no. 2
• Strony: 195--201
• Opis fizyczny: Bibliogr. 10 poz.

Twórcy

autor

Gu H.

autor

Zhao J.

autor

Zhang X.

• Mechanical Engineering College Shijiazhuang, Hebei, 050003, P.R. China,

Bibliografia

• 1. Barszcz T, Sawalhi N. Wind turbines’ rolling element bearings fault detection enhancement using minimum entropy deconvolution. Diagnostyka-Diagnostics and structural health monitoring 2011; 59(3): 53–59.
• 2. Donoho DL, Johnstone I M. Adapting to unknown smoothness via wavelet shrinkage. Journal of American Statistical Association 1995; 90: 1200–1224.
• 3. Endo H, Randall R B. Enhancement of autoregressive model based gear tooth fault detection technique by the use of minimum entropy deconvolution filter. Mechanical Systems and Signal Processing 2007; 21(2): 906–919.
• 4. Grossmann A. Wavelet transform and edge detection. Stochastic Processes in Physics and Engineering 1988; 149–157.
• 5. Huang NE, Shen Z, Long SR, Wu MLC, Shih HH, Zheng QN, Yen NC, Tung CC, Liu HH. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London Series A – Mathematical Physical and Engineering Sciences 1998; 454(5): 903–995.
• 6. PHM 2012 bearing challenge data. http://www.femto-st.fr/ieee-PHM2012-data-challenge.
• 7. Sawalhi N, Randall RB, Endo H. The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis. Mechanical Systems and Signal Processing 2007; 21(6): 2616–2633.
• 8. Wang WY, Wong AK. Autoregressive model-based gear fault diagnosis. Journal of Vibration and Acoustics 2002; 124(2): 172–179.
• 9. Wang WY, Wong AK. Some new signal processing approaches for gear fault diagnosis. Fifth International Symposium on Signal Processing and its Applications 1999; 587–590.
• 10. Wiggins RA. Minimum Entropy Deconvolution. Geoexploration 1978; 16: 21–35.