An Early Fault Detection Method of Rotating Machines Based on Multiple Feature Fusion with Stacking Architecture

要約

回転機械の早期故障検出 (EFD) は、メンテナンス コストを削減し、機械システムの安定性を向上させるために重要です。
EFD の重要なポイントの 1 つは、さまざまな機器から堅牢で識別可能な特徴を抽出して早期の障害検出を行うための汎用モデルを開発することです。
既存の EFD メソッドのほとんどは、1 つのタイプの特徴による故障表現の学習に焦点を当てています。
ただし、複数の機能を組み合わせることで、システム状態のより包括的な表現をキャプチャできます。
本稿では、スタッキング アーキテクチャ (M2FSA) を使用した複数の機能の融合に基づく EFD 手法を提案します。
提案された方法は、時間領域 (TD)、周波数領域 (FD)、および時間-周波数領域 (TFD) の特徴を組み合わせることにより、一般的および識別的な特徴を抽出して、早期故障を検出できます。
異なるドメイン機能の次元を統一するために、Stacked Denoising Autoencoder (SDAE) を利用して 3 つのドメインの深い機能を学習します。
提案された M2FSA のアーキテクチャは、2 つのレイヤーで構成されます。
最初の層には 3 つの基本モデルが含まれており、対応する入力は異なる深層特徴です。
第 1 層の出力は連結されて、メタ モデルで構成される第 2 層への入力が生成されます。
提案された方法は、3 つのベアリング データセットでテストされます。
結果は、提案された方法が感度と信頼性の両方で既存の方法よりも優れていることを示しています。

要約(オリジナル)

Early fault detection (EFD) of rotating machines is important to decrease the maintenance cost and improve the mechanical system stability. One of the key points of EFD is developing a generic model to extract robust and discriminative features from different equipment for early fault detection. Most existing EFD methods focus on learning fault representation by one type of feature. However, a combination of multiple features can capture a more comprehensive representation of system state. In this paper, we propose an EFD method based on multiple feature fusion with stacking architecture (M2FSA). The proposed method can extract generic and discriminiative features to detect early faults by combining time domain (TD), frequency domain (FD), and time-frequency domain (TFD) features. In order to unify the dimensions of the different domain features, Stacked Denoising Autoencoder (SDAE) is utilized to learn deep features in three domains. The architecture of the proposed M2FSA consists of two layers. The first layer contains three base models, whose corresponding inputs are different deep features. The outputs of the first layer are concatenated to generate the input to the second layer, which consists of a meta model. The proposed method is tested on three bearing datasets. The results demonstrate that the proposed method is better than existing methods both in sensibility and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google