Amodel for processing and identifying engine vibration signals

• Autorzy: Nguyen Phuong X. , Tran Linh H.

Identyfikatory

DOI

15199/48.2024.05.50

Warianty tytułu

PL

Model przetwarzania sygnału drgań silnika

• Języki publikacji: EN

Abstrakty

EN

The advancement of the sensor technology becoming increasingly cost-effective and the progress in diagnostic and management research, users nowadays not only demand high reliability from their devices but also the ability for their equipment to self-diagnose errors and provide alerts. These devices often incorporate sensor systems capable of generating plenty of data points, that needed a carefully targeted algorithms for extracting features from the data for classification and prediction models. In this paper, we will develop a comprehensive model for identifying vibration signals. We will extract features from the bearing data provided by Case Western Reserve University Bearing Data Center, then use a deep-learning based convolutional neural network to learn to be a classification model of the motor states based on the vibration signals. The numerical results show that the method can offer the promising accuracy at 85.8%.

PL

Wraz z postępem w technologii czujników, która staje się coraz bardziej tańsza do użycia w badaniach diagnostycznych, użytkownicy wymagają obecnie nie tylko wysokiej niezawodności swoich urządzeń, ale także zdolności ich sprzętu do samodiagnostyki błędów i generowania alertów. Nowej generacje urządzeń zawierają systemy czujników zdolne do generowania mnóstwo danych, co wymagało starannie dobranych algorytmów do wyodrębniania cech charakterystycznych na potrzeby modeli klasyfikacji i predykcji. W tym artykule przedstawimy model do identyfikacji sygnałów drganiowych. Korzystaliśmy z danych pomiarowych łożysk dostępnych w Centrum baz danych łożysk Uniwersytetu Case Western Reserve. Z tych danych pomiarowych, wygenerowano ich spectrogramy do postaci obrazów a następnie wykorzystano splotową sieć neuronową opartą na głębokim uczeniu się do tworzenia model klasyfikacji stanów silnika w oparciu o sygnały wibracyjne. Wyniki liczbowe pokazują, że metoda ta może zapewnić obiecującą dokładność na poziomie 85,8%.

Słowa kluczowe

EN

vibration signal; fault diagnosis; classification model; feature extraction; deep learning

PL

sygnał wibracyjny; diagnostyka usterek; model klasyfikacji; ekstrakcja cech; głębokie uczenie

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 5
• Strony: 263--266
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Nguyen Phuong X.

• Hanoi University of Science and Technology, School of Electrical and Electronics Engineering

autor

Tran Linh H.

• Hanoi University of Science and Technology, School of Electrical and Electronics Engineering

Bibliografia

• [1] Case Western Reserve University Bearing Data Center Website. [web page] https://engineering.case.edu/bearingdatacenter/ [Accessed on 01 Apr. 2022.].
• [2] Venkatesan, Ragav; Li, Baoxin: Convolutional Neural Networks in Visual Computing: A Concise Guide, CRC Press, ISBN 978-1-351-65032-8, 2017.
• [3] David Verstraete, Andrés Ferrada, Enrique López Droguett, Viviana Meruane, Mohammad Modarres: Deep Learning Enabled Fault Diagnosis Using Time-Frequency Image Analysis of Rolling Element Bearings, Shock and Vibration, vol. 2017, Article ID 5067651, 2017.
• [4] Kehtarnavaz, N.: Frequency Domain Processing, Digital Signal Processing System Design, doi:10.1016/b978-0-12- 374490-6.00007-6, pp. 175–196, 2008.
• [5] Bloomfield, P.: Fourier Analysis of Time Series: An Introduction, New York: Wiley-Interscience, 2000.
• [6] Hua Su, Kil To Chong, R. Ravi Kumar: Vibration signal analysis for electrical fault detection of induction machine using neural networks, Neural Computing and Applications, vol, 20, pp. 183–194, 2011.
• [7] Maruthi G. S., Vishwanath Hegde: Application of MEMS Accelerometer for Detection and Diagnosis of Multiple Faults in the Roller Element Bearings of Three Phase Induction Motor, IEEE Sensors Journal, vol. 16, no. 1, pp. 145 – 152, 2016.
• [8] Diederik P. Kingma, Jimmy Ba: Adam: A Method for Stochastic Optimization, arXiv preprint arXiv:1412.6980, pp. 273 – 297, 2014.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).