Exploring Sound vs Vibration for Robust Fault Detection on Rotating Machinery

要約

回転機械の故障を堅牢かつリアルタイムで検出することは、さまざまな業界における予知保全の究極の目標となっています。
振動ベースの深層学習 (DL) 手法は、特定の条件下で最先端の検出パフォーマンスを実現できるため、ベアリングの故障検出の事実上の標準となっています。
このように振動信号に特別な焦点が当てられているにもかかわらず、音の利用は無視されており、過去 20 年間に提案された研究はほんのわずかであり、そのすべてが従来の ML アプローチに基づいていました。
主な理由の 1 つは、さまざまな機械やセンサーの位置に関するいくつかの作業条件にわたる振動と音の両方の大量のデータを提供するベンチマーク データセットが存在しないことです。
この研究では、全体で 1,080 の動作条件下で動作する 2 つの異なるモーターからの音と振動のデータをカプセル化した、新しいベンチマークであるカタール大学デュアルマシン ベアリング故障ベンチマーク データセット (QU-DMBF) を提示することで、このニーズに応えます。
次に、さまざまな設置条件や動作条件による振動ベースの障害検出の主な制限と欠点に焦点を当てます。
最後に、音ベースの故障検出のための最初の DL アプローチを提案し、QU-DMBF データセット上で音と振動の比較評価を実行します。
幅広い実験結果によると、音ベースの故障検出方法は、センサーの位置に完全に依存せず、コスト効率が高く (センサーやセンサーのメンテナンスが不要)、振動ベースの故障検出方法よりもはるかに堅牢であることが示されています。
振動ベースの同等品と同じレベルの最高の検出性能を達成します。
この研究により、QU-DMBF データセット、PyTorch で最適化されたソース コード、および比較評価が公開されるようになりました。

要約(オリジナル)

Robust and real-time detection of faults on rotating machinery has become an ultimate objective for predictive maintenance in various industries. Vibration-based Deep Learning (DL) methodologies have become the de facto standard for bearing fault detection as they can produce state-of-the-art detection performances under certain conditions. Despite such particular focus on the vibration signal, the utilization of sound, on the other hand, has been neglected whilst only a few studies have been proposed during the last two decades, all of which were based on a conventional ML approach. One major reason is the lack of a benchmark dataset providing a large volume of both vibration and sound data over several working conditions for different machines and sensor locations. In this study, we address this need by presenting the new benchmark Qatar University Dual-Machine Bearing Fault Benchmark dataset (QU-DMBF), which encapsulates sound and vibration data from two different motors operating under 1080 working conditions overall. Then we draw the focus on the major limitations and drawbacks of vibration-based fault detection due to numerous installation and operational conditions. Finally, we propose the first DL approach for sound-based fault detection and perform comparative evaluations between the sound and vibration over the QU-DMBF dataset. A wide range of experimental results shows that the sound-based fault detection method is significantly more robust than its vibration-based counterpart, as it is entirely independent of the sensor location, cost-effective (requiring no sensor and sensor maintenance), and can achieve the same level of the best detection performance by its vibration-based counterpart. With this study, the QU-DMBF dataset, the optimized source codes in PyTorch, and comparative evaluations are now publicly shared.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google