Synthesizing Rolling Bearing Fault Samples in New Conditions: A framework based on a modified CGAN

要約

ベアリングは、予期せぬ故障が発生しやすい回転機械の重要なコンポーネントの 1 つです。
したがって、ベアリングの故障診断と状態監視は、多くの業界で運用コストとダウンタイムを削減するために不可欠です。
さまざまな製造条件において、ベアリングはさまざまな負荷と速度の下で動作する可能性があり、これにより、各故障タイプに関連する異なる振動パターンが発生します。
システムは通常、望ましい条件で動作するため、通常のデータは十分です。
一方、障害データはまれであり、多くの状況では障害クラスのデータが記録されません。
障害データへのアクセスは、運用のパフォーマンスと安全性の両方を向上させるデータ駆動型の障害診断ツールを開発するために重要です。
この目的を達成するために、条件付き敵対的生成ネットワーク (CGAN) に基づく新しいアルゴリズムが導入されています。
このアルゴリズムは、実際の障害状態の正常データと障害データでトレーニングされ、ターゲット状態の正常データから障害データを生成します。
提案された方法は現実世界の方位データセットで検証され、さまざまな条件に対して故障データが生成されます。
合成データの品質を評価するために、いくつかの最先端の分類器と視覚化モデルが実装されています。
結果は、提案されたアルゴリズムの有効性を示しています。

要約(オリジナル)

Bearings are one of the vital components of rotating machines that are prone to unexpected faults. Therefore, bearing fault diagnosis and condition monitoring is essential for reducing operational costs and downtime in numerous industries. In various production conditions, bearings can be operated under a range of loads and speeds, which causes different vibration patterns associated with each fault type. Normal data is ample as systems usually work in desired conditions. On the other hand, fault data is rare, and in many conditions, there is no data recorded for the fault classes. Accessing fault data is crucial for developing data-driven fault diagnosis tools that can improve both the performance and safety of operations. To this end, a novel algorithm based on Conditional Generative Adversarial Networks (CGANs) is introduced. Trained on the normal and fault data on any actual fault conditions, this algorithm generates fault data from normal data of target conditions. The proposed method is validated on a real-world bearing dataset, and fault data are generated for different conditions. Several state-of-the-art classifiers and visualization models are implemented to evaluate the quality of the synthesized data. The results demonstrate the efficacy of the proposed algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google