Blind Separation of Vibration Sources using Deep Learning and Deconvolution

要約

回転機械の振動は主に 2 つの発生源から発生します。どちらの発生源も、センサーに至るまでの機械の伝達関数によって歪みます。1 つは主なギア関連の振動で、もう 1 つはベアリングの故障に関連する低エネルギー信号です。
提案された方法は、振動源のブラインド分離を容易にし、監視対象の機器や外部測定に関する情報の必要性を排除します。
この方法では、両方の信号源を 2 段階で推定します。まず、拡張 CNN を使用してギア信号を分離し、続いて残差の二乗対数包絡線を使用してベアリング故障信号を推定します。
伝達関数の影響は、新しい白色化ベースのデコンボリューション手法 (WBD) を使用して両方のソースから除去されます。
シミュレーション結果と実験結果はいずれも、追加情報が入手できない場合でもベアリングの故障を早期に検出できるこの方法の能力を示しています。
この研究では、振動が安定した動作条件下で記録されたと仮定して、局所的および分散的な軸受故障の両方を考慮します。

要約(オリジナル)

Vibrations of rotating machinery primarily originate from two sources, both of which are distorted by the machine’s transfer function on their way to the sensor: the dominant gear-related vibrations and a low-energy signal linked to bearing faults. The proposed method facilitates the blind separation of vibration sources, eliminating the need for any information about the monitored equipment or external measurements. This method estimates both sources in two stages: initially, the gear signal is isolated using a dilated CNN, followed by the estimation of the bearing fault signal using the squared log envelope of the residual. The effect of the transfer function is removed from both sources using a novel whitening-based deconvolution method (WBD). Both simulation and experimental results demonstrate the method’s ability to detect bearing failures early when no additional information is available. This study considers both local and distributed bearing faults, assuming that the vibrations are recorded under stable operating conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google