Real-Time Vibration-Based Bearing Fault Diagnosis Under Time-Varying Speed Conditions

要約

転がり要素ベアリングの故障の検出は、予防的なメンテナンス戦略を実施し、予期せぬ故障による経済的および運用上の影響を最小限に抑えるために非常に重要です。
しかし、既存の技術の多くは厳密に制御された条件下で開発およびテストされており、実際のアプリケーションで遭遇する多様で動的な設定への適応性が制限されています。
この論文では、さまざまなノイズ レベルと時間とともに変化する回転速度の下で複数のベアリングの故障を診断するための効率的なリアルタイム畳み込みニューラル ネットワーク (CNN) を紹介します。
さらに、設計された CNN モデルの有効性を解明するために、新しいフィッシャーベースのスペクトル分離分析 (SSA) 方法を提案します。
正常なベアリングと、内輪、外輪、ローラーボールの故障のあるベアリングの両方について実験を行いました。
実験結果は、現在の最先端のアプローチに対する私たちのモデルの優位性を 3 つの点で示しています。最大 15.8% の大幅な精度向上を達成し、さまざまな S/N 比にわたって高いパフォーマンスを備え、ノイズに対して堅牢です。
また、処理時間は取得の 5 分の 1 であり、リアルタイムで実行されます。
さらに、提案された SSA 手法を使用することで、モデルのパフォーマンスに関する洞察を提供し、現実世界の課題に取り組む際のその有効性を強調します。

要約(オリジナル)

Detection of rolling-element bearing faults is crucial for implementing proactive maintenance strategies and for minimizing the economic and operational consequences of unexpected failures. However, many existing techniques are developed and tested under strictly controlled conditions, limiting their adaptability to the diverse and dynamic settings encountered in practical applications. This paper presents an efficient real-time convolutional neural network (CNN) for diagnosing multiple bearing faults under various noise levels and time-varying rotational speeds. Additionally, we propose a novel Fisher-based spectral separability analysis (SSA) method to elucidate the effectiveness of the designed CNN model. We conducted experiments on both healthy bearings and bearings afflicted with inner race, outer race, and roller ball faults. The experimental results show the superiority of our model over the current state-of-the-art approach in three folds: it achieves substantial accuracy gains of up to 15.8%, it is robust to noise with high performance across various signal-to-noise ratios, and it runs in real-time with processing durations five times less than acquisition. Additionally, by using the proposed SSA technique, we offer insights into the model’s performance and underscore its effectiveness in tackling real-world challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google