Discrete wavelet transform and energy distribution for effective bearing fault detection and analysis

• Autorzy: Beldjaatit Chahinez , Sebbagh Toufik , Guentri Hocine

Identyfikatory

DOI

10.15199/48.2023.07.05

Warianty tytułu

PL

Dyskretna transformacja falkowa i dystrybucja energii w celu skutecznego wykrywania i analizy uszkodzeń łożysk

• Języki publikacji: EN

Abstrakty

EN

Condition monitoring and problem diagnostics have drawn more attention recently in the industrial sector. One of the most crucial parts of rotating machinery are rolling-element bearings. Bearing faults are a common cause of machinery failures. To identify failing bearings early, vibration condition monitoring of rotating machinery has emerged as the preferred technique. Several signal analysis techniques can extract useful information from vibration data. The non-stationary analysis signals that are typically associated with machine defects cannot be handled by frequency-based approaches. Non-stationary signals are analyzed effectively by applying time-frequency techniques. The use of wavelet transform has increased in bearing monitoring research for the last 20 years to obtain correlated time-frequency information. This paper presents a discrete wavelet transform (DWT) and energy distribution-based bearing defect diagnostic technique. The "db3" wavelet form of DWT is used to decompose vibration signals under both normal and faulty (inner race-fault and outer race-fault) bearing conditions at various frequency ranges. Due to the default, the energy distribution for every decomposition level is calculated to detect which frequency band contains the harmonics. The results obtained from healthy and defective bearings are compared. The wavelet coefficient with the highest value of the energy distribution is employed in the Fourier analysis to pinpoint the site of the fault. The monitoring results demonstrate that the suggested approach is effective in finding and analyzing faults.

PL

Monitorowanie stanu i diagnostyka problemów przyciągnęły ostatnio więcej uwagi w sektorze przemysłowym. Jedną z najbardziej kluczowych części maszyn wirujących są łożyska toczne. Usterki łożysk są częstą przyczyną awarii maszyn. W celu wczesnej identyfikacji uszkodzonych łożysk, monitorowanie stanu wibracji maszyn wirujących stało się preferowaną techniką. Kilka technik analizy sygnału może wydobyć użyteczne informacje z danych o drganiach. Niestacjonarne sygnały analizy, które są zwykle związane z uszkodzeniami maszyn, nie mogą być obsługiwane przez podejścia oparte na częstotliwości. Sygnały niestacjonarne są skutecznie analizowane poprzez zastosowanie technik czasowoczęstotliwościowych. Zastosowanie transformaty falkowej wzrosło w badaniach nad monitorowaniem łożysk przez ostatnie 20 lat w celu uzyskania skorelowanej informacji czasowo-częstotliwościowej. W niniejszej pracy przedstawiono dyskretną transformatę falkową (DWT) oraz technikę diagnostyczną opartą na rozkładzie energii. Forma falkowa "db3" DWT jest używana do dekomponowania sygnałów drganiowych w warunkach łożyska zarówno normalnego, jak i wadliwego (wewnętrznego i zewnętrznego) w różnych zakresach częstotliwości. Ze względu na domyślność, rozkład energii dla każdego poziomu dekompozycji jest obliczany w celu wykrycia, które pasmo częstotliwości zawiera harmoniczne. Wyniki uzyskane z łożysk zdrowych i uszkodzonych są porównywane. Współczynnik falkowy o największej wartości rozkładu energii jest wykorzystywany w analizie Fouriera w celu określenia miejsca uszkodzenia. Wyniki monitorowania pokazują, że proponowane podejście jest skuteczne w wyszukiwaniu i analizie uszkodzeń.

Słowa kluczowe

EN

discrete wavelet transform; multiresolution analysis; energy distribution; fast Fourier transform; fault diagnosis

PL

dyskretna transformata falkowa; analiza wielorozdzielcza; dystrybucja energii; szybka transformata Fouriera; diagnostyka uszkodzeń

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 7
• Strony: 24--28
• Opis fizyczny: Bibliogr. 19 poz., rys., wykr.

Twórcy

autor

Beldjaatit Chahinez

• University of 20 Août 1955- Skikda, Po. B 26 Road of El Hadaik, Skikda, Algeria

autor

Sebbagh Toufik

• University of 20 Août 1955- Skikda, Po. B 26 Road of El Hadaik, Skikda, Algeria

• https://orcid.org/0000-0002-1656-0681

autor

Guentri Hocine

• Abdelhafid Boussouf University centre, Mila, Algeria

Bibliografia

• [1] Hong G., Lindsay J., Asoke K. N., Feature Generation Using Genetic Programming With Application to Fault Classification, IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 35 (2005), 89-99
• [2] Tandon N., The wavelet analysis of the vibroacoustic signal of the power transformer, Springer Series in Advanced Manufacturing, 5 (2006), 109-136
• [3] Borucki S., Cichoń A., Boczar T., Condition Monitoring of Rotary Machines, Przegląd Elektrotechniczny, 11b (2010), 182- 186
• [4] Sharma A., Amarnath M., Kankar P., Feature extraction and fault severity classification in ball bearings, Journal of Vibration and Control, 22 (2014), 1-17
• [5] Seker S., Ayaz E., A study on condition monitoring for induction motors under the accelerated aging processes, IEEE Power Engineering, 22 (2002), 35-37
• [6] Ewert P., Dorosławska A., Application of wavelet analysis for detection of the rolling bearing faults, Przegląd Elektrotechniczny, 01 (2017), 305-309
• [7] Saini M., Yunus A.M.Shiddiq., Sultan A., Muh-Ruswandi D., Mohd.Wasir bin M., Rahimuddin R., Ikhlas K., Faults Detection and Classification on Parallel Transmission Lines using Modified Clarke’s Transformation-ANN Approach, Przegląd Elektrotechniczny, 04 (2020), 23-27
• [8] Jian-Da W., Chiu-Hong L.Shiddiq., Investigation of engine fault diagnosis using discrete wavelet transform and neural network, Expert Systems with Applications, 35 (2008),nr. 3, 1200-1213
• [9] Veerasamy V., Abdul Wahab N. I., Ramshandran R., Mansoor M., Thirumeni M., Lutfi Othman M., High Impedance Fault Detection in Medium Voltage Distribution Network Using Discrete Wavelet Transform and Adaptive Neuro-Fuzzy Inference System, Energies, 11 (2018),nr. 12, 3330-339
• [10] Tse P. W., Peng Y.H., Yam R., Wavelet Analysis and Envelope Detection For Rolling Element Bearing Fault Diagnosis—Their Effectiveness and Flexibilities, ASME. J. Vib. Acoust, 123 (2001),nr. 3, 303-310
• [11] Rai V. K., Mohanty A.R., Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert–Huang transform, Mechanical Systems and Signal Processing, 21 (2007),nr. 6, 2607-2615
• [12] Chen R., Huang X., Yang L., Xu X., Zhang X., Zhang Y., Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform, Computers in Industry, 106 (2019), 48-59
• [13] Yan R., Gao R.X., Chen X., Wavelets for fault diagnosis of rotary machines: A review with applications, Signal Processing, 96A (2014), 1-15
• [14] (2003) Case Western Reserve University Bearing Data Center Online]:https://engineering.case.edu/bearingdatacenter
• [15] Li S Y., Gu K.R., Smart fault-detection machine for ballbearing system with chaotic mapping strategy, Sensors, 19 (2019), 2178
• [16] Khelil J., Khelil K., Ramdani M., Boutasseta N., Bearing Faults Diagnosis Using Discrete Wavelets and Artificial Intelligence Approaches, 1st International Conference on Sustainable Renewable Energy Systems and Applications (ICSRESA), IEEE Xplore, 2019
• [17] Mallat T., A theory for multi-resolution signal decomposition: the wavelet representation, IEEE Transactions. Pattern Analysis. Machine Intelligence, 11 (1989), 674-693
• [18] Nishat Toma R., Jong-Myon K., Bearing Fault Classification of Induction Motors Using Discrete Wavelet Transform and Ensemble Machine Learning Algorithms, Applied Sciences, 10 (2020), 5251
• [19] Silik A., Noori M., Altabey W.A., Ghiasi R., Selecting optimum levels of wavelet multi-resolution analysis for time varying signals in structural health monitoring, Structural Control Health Monitoring, 28 (2021), nr.8, 1-32

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).