Curvilinear dimensionality reduction of data for gearbox condition monitoring

• Autorzy: Bartkowiak A. , Zimroz R.

Warianty tytułu

PL

Redukcja wymiarowości danych przy monitorowania stanu skrzyni biegów

• Języki publikacji: EN

Abstrakty

EN

Our aim is to explore the CCA (Curvilinear Component Analysis) as applied to condition monitoring of gearboxes installed in bucket wheel excavators working in field condition, with the general goal to elaborate a probabilistic model describing the condition of the machine gearbox. To do it we need (a) information on the shape (probability distribution) of the analyzed data, and (b) some reduction of dimensionality of the data (if possible). We compare (for real set of data gathered in field conditions) the 2D representations yielded by the CCA and PCA methods and state that they are different. Our main result is: The analyzed data set describing the machine in a good state is composed of two different subsets of different dimensionality thus can not be modelled by one common Gaussian distribution. This is a novel statement in the domain of gearbox data analysis.

PL

W pracy przedstawiono wyniki prac nad zastosowaniem CCA (Curvilinear Component Analysis - analiza komponentów krzywoliniowych) do nieliniowej redukcji wymiarowości danych wykorzystywanych do diagnostyki przekładni planetarnej stosowanej w układach napędowych koparki kołowej. Do oceny stanu technicznego niezbędne jest zbudowanie modelu pobabilistycznego zbioru cech diagnostycznych. Modelowanie danych wielowymiarowych (gęstości prawdopodobieństwa) dla wszystkich wymiarów jest trudne, i ze względu na istniejącą redundancję, nieuzasadnione, dlatego prowadzi się badania nad redukcją wymiarowości zbiorów cech diagnostycznych. W artykule porównujemy dwuwymiarowe reprezentacje zbioru cech uzyskane metodami CCA i PCA (analiza składowych głównych) wykazując różnice w uzyskanych wynikach. Głównym wynikiem pracy jest identyfikacja w przestrzeni cech diagnostycznych dla przekładni w stanie prawidłowym dwóch podzbiorów danych o różnej rzeczywistej wymiarowości zatem nie mogą być one modelowane za pomocą jednego modelu o charakterystyce gaussowskiej. Interpretacja tych podzbiorów wiąże się z występowaniem różnych obciążeń maszyny.

Słowa kluczowe

EN

vibration signals; power spectra; dimension reduction; non-linear mapping; self-organizing network

PL

sygnały drganiowe; widma sygnałów; redukcja wymiarowości; mapowanie nieliniowe; sieci samoorganizujące się

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 10b
• Strony: 268--271
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Bartkowiak A.

autor

Zimroz R.

• University of Wroclaw, Institute of Computer Science, Joliot-Curie 15, 50-383 Wroclaw,

Bibliografia

• [1] Bartelmus W., Zimroz R., A new feature for monitoring of planetary gearbox under varying external load, Mechanical Systems and Signal Processing, 23/5 (2009) 1528-1534
• [2] Bartkowiak A., Zimroz R., Outliers analysis and one class classification approach for planetary gearbox diagnosis, J. Phys. Conf. Ser. 305(1) (2011) art. no. 012031, 1-10, IOP Publishing (9th Int. Conf. on Damage Assessment of Structures DAMAS 2011,Oxford UK.)
• [3] P. Demartines and J. Herault, Curvilinear component analysis: A self-organizing neural network for non-linear mapping of data sets. IEEE Trans.on Neural Networks, 8 (1) (1997) 148-154.
• [4] Demartines P., Analyse de donnees par reseaux de neurones auto-organises. PhD thesis. Institut National Polytechnique 1994.
• [5] He Q., Yan R., Kong F., Du R., Machine condition monitoring using Principal Component representations, Mech. Systems and Signal Processing 23(2) (2009) 446-466.
• [6] Herault J., Jausions-Picaud C., Guerin-Dugue A., Curvilinear component analysis for high-dimensional data representation: I. Theoretical aspects and practical use in the presence of noise. In J. Mira and J.V. Sanchez (Eds), Proceedings of IWANN'99, vol. II, Springer, Alicante (Spain) June 1999, pp. 625-634.
• [7] Trendafilova I., Cartmell M., Ostachowicz W., Vibration based damage detection in an aircraft wing scaled model using principal component analysis and pattern recognition. Journal of Sound and Vibration 313 (3-5) (2008) 560-566.
• [8] Voiry M., Madani K., Amarger V., Bernier J., Data dimensionality reduction for neural based classification of optical surfaces defects. International Scientific Journal of Computing (Computing) vol. 8, issue 1, pp. 32-42.
• [9] Zimroz R., Bartkowiak A., Investigation on spectral structure of gearbox vibration signals by principal component analysis for condition monitoring purposes. J. Phys. Conf. Ser. 305(1) (2011), art. no. 012075 1-10, (9th Int. Conf. on Damage Assessment of Structures, DAMAS 2011, May 10, Oxford UK).
• [10] Zimroz R., Bartkowiak A., Two simple multivariate procedures for monitoring planetary gearboxes in nonstationary operating conditions, Mechanical Systems and Signal Processing, DOI: 10.1016/j.ymssp.2012.03.022, in press
• [11] Bartkowiak A., Zimroz R., Data dimension reduction and visualization of multidimensional data with application to gearbox diagnostics data: comparison of several methods Solid State Phenomena Vol. 180 (2012) 177-184 doi:10.4028/www.scientific.net/SSP.180.177
• [12] Osowski S., Sikorska-Lukasiewicz K., PCA transformation and support vector machine for recognition of the noisy images, Przeglad Elektrot. 88/3a (2012) 4-6.