Quadratic Time-Frequency Analysis of Vibration Signals for Diagnosing Bearing Faults

要約

ベアリングの故障診断は、メンテナンスコストと運用上の故障を削減するために最も重要です。
ベアリングの故障は機械の振動の主な原因であり、その信号形態を分析することで健康状態についての洞察が得られます。
残念ながら、既存のアプローチは制御された環境に最適化されており、時間とともに変化する回転速度や振動の非定常性などの現実的な条件が無視されています。
この論文では、速度が時間とともに変化し、騒音レベルが変化する状況でベアリングの故障を診断するための、時間周波数解析と深層学習技術の融合について説明します。
まず、軸受の故障によって引き起こされる振動を定式化し、その非定常性と軸受の固有パラメータおよび動作パラメータとの関係について議論します。
また、二次時間周波数分布を解明し、さまざまな軸受の故障に関連する独特の動的パターンを解決する際のその有効性を検証します。
これに基づいて、転がり軸受のさまざまな故障を診断するための時間周波数畳み込みニューラル ネットワーク (TF-CNN) を設計します。
私たちの実験結果は、最近開発された技術と比較して、TF-CNN の優れたパフォーマンスを間違いなく実証しています。
また、速度変化に伴う障害に関連した非定常特徴を捕捉する多用途性も主張し、ノイズに対する並外れた回復力を示し、さまざまな S/N 比およびパフォーマンス指標にわたって競合する手法を常に上回っています。
全体として、TF-CNN は厳しいノイズ条件下で最大 15% の大幅な精度向上を達成します。

要約(オリジナル)

Diagnosis of bearing faults is paramount to reducing maintenance costs and operational breakdowns. Bearing faults are primary contributors to machine vibrations, and analyzing their signal morphology offers insights into their health status. Unfortunately, existing approaches are optimized for controlled environments, neglecting realistic conditions such as time-varying rotational speeds and the vibration’s non-stationary nature. This paper presents a fusion of time-frequency analysis and deep learning techniques to diagnose bearing faults under time-varying speeds and varying noise levels. First, we formulate the bearing fault-induced vibrations and discuss the link between their non-stationarity and the bearing’s inherent and operational parameters. We also elucidate quadratic time-frequency distributions and validate their effectiveness in resolving distinctive dynamic patterns associated with different bearing faults. Based on this, we design a time-frequency convolutional neural network (TF-CNN) to diagnose various faults in rolling-element bearings. Our experimental findings undeniably demonstrate the superior performance of TF-CNN in comparison to recently developed techniques. They also assert its versatility in capturing fault-relevant non-stationary features that couple with speed changes and show its exceptional resilience to noise, consistently surpassing competing methods across various signal-to-noise ratios and performance metrics. Altogether, the TF-CNN achieves substantial accuracy improvements up to 15%, in severe noise conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google