Новый метод k-ближайшего соседа с важностью распределения и дифференциальных признаков для диагностики неисправностей с подшипниками

Краткое содержание

В данном исследовании предлагается метод k-ближайшего соседа, который интегрирует несоответствие распределения и дифференциальную важность признаков для точной диагностики неисправности роликовых подшипников.

Аннотация

Катные подшипники являются одними из самых уязвимых компонентов различных типов роторной техники, поэтому точное обнаружение и локализация неисправностей крайне важны. При отказе подшипника с качанием сигнал остаётся неподвижным, и распределение энергии вибрационного сигнала меняется в зависимости от места неисправности. В традиционных алгоритмах диагностики неисправностей k-ближайших соседей (KNN) евклидово расстояние в первую очередь используется для измерения расстояния между точками выборки, что неэффективно для фиксации сходства между различными пространственными распределениями. Кроме того, эти алгоритмы приобретают одинаковую важность признаков, что не отражает реальные характеристики сигналов вибрации неисправности. В данном исследовании предлагается метод диагностики неисправностей на основе KNN, который учитывает несоответствие распределения и дифференциальную важность признаков. Во-первых, вибрационные сигналы разлагаются с помощью трёхуровневого вейвлет-пакетного разложения, а энергия каждого узла на третьем уровне используется в качестве особенности отказа. Затем алгоритм среднего значения удара (MIV) используется для определения относительной важности каждого объекта, а для измерения различий между пространственными распределениями применяется расстояние от земледвижателя (EMD). Интегрируя евклидово расстояние с MIV и EMD и применяя правило большинства KNN, проводится диагностика вины. Экспериментальные результаты показывают, что этот метод достигает диагностической точности 99,43%, что составляет улучшение на 5,97% по сравнению с традиционными методами KNN. Предлагаемый метод демонстрирует точную и эффективную эффективность диагностики неисправностей на основе наборов данных с подшипниками, использованных в этом исследовании.

Введение

С развитием технологий роторное оборудование всё больше развивается в сторону интеграции, крупномасштабных систем, высокоскоростных и интеллектуальной^{эксплуатации 1}. Среди различных типов роторных электрических машин наиболее уязвимыми и часто повреждаемыми являются компоненты роликовых подшипников. Они предлагают такие преимущества, как лёгкий запуск, низкое трение, простое смазывание и удобная замена, а также широко применяются в прецизионной приборной промышленности, аэрокосмической отрасли, автомобильной промышленности, станках, роботах и других областях. Согласно соответствующим статистическим данным о отказах вращающегося механизма, аномальные вибрационные неисправности составляют 70%, а 30% из них тесно связаны с аномалиями подшипников^{прокативания 2}. Поэтому точная диагностика неисправностей роликовых подшипников является чрезвычайно важной и широко изученной областью.

Основные методы диагностики неисправностей подшипников прокативания включают общие методы и методы машинного обучения. Общие диагностические методы анализируют и разлагают сигналы в временной и частотной областях. Методы анализа во временной области описывают природу и характеристики сигналов, наблюдая волновые формы, статистические особенности и временные связи, что позволяет проводить диагностику неисправностей. Распространённые показатели включают среднее значение, корневую среднюю квадратику, коэффициент корреляции, запас, эффективное значение и импульсный^{фактор 3}. Однако эти методы подвержены внешнему шуму, что снижает точность. В сложных системах они могут не полностью охарактеризовать поведение системы и часто должны сочетаться с другими аналитическими подходами. Чен и др. предварительно обработали сигналы вибрации во временной области для извлечения различных безразмерных признаков, а затем построили обучающую модель с использованием алгоритма случайного леса на основе дерева^{решений 4}. Эффективность этого метода была подтверждена с использованием данных соревнований по катящимся подшипникам и моделируемых морских разломов.

Методы анализа в частотной области преобразуют сигналы в частотную область, что позволяет лучше понять частотные компоненты, спектральные характеристики и распределение частот. К этим методам относятся преобразование Фурье, спектральный анализ и степенная спектральная плотность. Ли и др. проанализировали частотное распределение вибрационных сигналов в генерируемом спектре огибающей для диагностики неисправностей^{подшипников 5}. Ванг и др. определили характерные частоты вибрационных сигналов с помощью различных методов анализа в области частот и сравнили их с присущими оборудованию характеристичными частотами для выявления механических неисправностей в системах^{шпинделей 6}.

С ростом сложности оборудования спрос на анализ сигналов стал более разнообразным. Поскольку нелинейные и нестационарные сигналы содержат временные частотные компоненты, традиционные анализы, основанные на предположениях линейности и стационарности, не позволяют полностью выявить их временное поведение и временные корреляции. В отличие от этого, анализ по времени и частоте обеспечивает совместное представление распределения энергии сигнала по временным и частотным измерениям, что позволяет более комплексно интерпретировать. Эти методы позволяют наблюдать, как сигналы меняются со временем и как частотные компоненты меняются на разных интервалах, помогая фиксировать динамические характеристики^{сигнала 7,8}. Несколько известных методов, таких как дискретное вейвлетное преобразование, ансамблевая эмпирическая модовая декомпозиция и вариационно-модовая декомпозиция, широко используются для анализа времени и^{частоты 9}. Сочетая непрерывное вейвлетное преобразование с остаточной нейронной сетью, усиленной трансферным обучением, Диао и др. предложили гибридную диагностическую^{рамку 10}.

Традиционные диагностические подходы, в основном ручные и основанные на опыте, склонны к субъективным предвзятостям и оператор-зависимым несоответствиям, что приводит к неопределённым и неоднородным диагнозам. Даже после обработки сигналов извлечённые многодоменные особенности часто требуют дополнительной оптимизации для точной диагностики неисправностей. Методы машинного обучения, напротив, классифицируют дефекты подшипников с помощью математических моделей и автоматически выявляют закономерности в наборах признаков, снижая зависимость от человеческого суждения. В результате многие исследователи объединили обработку сигналов с машинным обучением для диагностики и классификации типов неисправностей подшипников. Широко используемые методы включают ансамблевые модели, такие как случайные леса, методы на основе ядра, например, поддерживающие векторные машины, и одноуровневые прямые сети, такие как экстремальные обучающие^{машины 11}.

Значительные усилия были направлены на развитие методов машинного обучения для диагностики неисправностей. В последнее время были разработаны более продвинутые методы на основе графовых нейронных сетей. Чжан и др. предложили многомасштабный метод изучения динамического синтеза графов с вниманием для надежной диагностики неисправностей при шумных^{сигналах 12}. Ю и соавторы разработали адаптивную генеративную реконструкцию и слияние для диагностики немногих выстрелов¹³. Хотя эти методы достигают передовой точности, они требуют значительных вычислительных ресурсов и больших маркированных наборов данных. Для диагностики неисправности с поворотным подшипником Го и др. предложили метод слияния на уровне данных с адаптивным^{взвешиваниям 14}. Этот метод обрабатывает многоисточникные вибрационные сигналы с помощью алгоритма k-ближайшего соседа (KNN) для определения оптимальных схем взвешивания. Нестационарность вибрационных сигналов, вызванная неисправностью, изменяет спектральное распределение энергии, и эти энергетические вариации по полосам служат дискриминативными признаками для различных состояний разбоя. Однако традиционные алгоритмы KNN используют евклидово расстояние для измерения сходства, что недостаточно для данных с комплексными или разнообразными распределениями. Кроме того, они принимают равную важность признаков, что не отражает фактические характеристики вибрационных особенностей^{неисправности} 15,16,17. Традиционные показатели сходства распределения также сильно зависят от перекрытия распределения, что ограничивает их способность фиксировать истинные^{расхождения 18, 19, 20, 21, 22}. В отличие от этого, расстояние землеподвижного двигателя (EMD) измеряет минимальные затраты, необходимые для преобразования одного распределения в другое, эффективно фиксируя различия распределения независимо от перекрытия или позиционного смещения. Это свойство делает EMD особенно подходящим для этого исследования, так как позволяет эффективно измерять сходство при различных условиях эксплуатации, где распределение смещается часто.

Для устранения этих ограничений в этом исследовании разработан метод диагностики неисправностей на основе KNN для подшипников катения, который учитывает как различия в распределении, так и важность признаков. Предлагаемый метод состоит из четырёх основных этапов. Сначала к вибрационным сигналам применяется трёхуровневая декомпозиция вейвлет-пакетов, и вычисляются энергетические значения всех узлов третьего уровня для построения набора признаков неисправности. Во-вторых, алгоритм среднего значения воздействия (MIV) используется для количественной оценки относительной важности каждого признака. В-третьих, EMD вводится для измерения различий распределения между векторами признаков, фиксируя основные структурные расхождения. Наконец, традиционное евклидово расстояние в алгоритме KNN усиливается за счёт интеграции весов признаков на основе MIV и метрик распределения на основе EMD. Эта улучшенная мера сходства, в сочетании с большинством голосов, используется для классификации ошибок и повышения точности диагностики.

Протокол

В этом исследовании не участвовали люди или животные; поэтому этическое одобрение и информированное согласие не требовались. Предлагаемый метод был реализован с использованием MATLAB R2014b. Использовались следующие наборы инструментов: Wavelet Toolbox для анализа вейвлет-пакетов (wpdec и wpcoef), Neural Network Toolbox для реализации нейронной сети BP (feedforwardnet и train), Optimization Toolbox для решения задачи линейного программирования в вычислениях EMD (linprog) и Statistics and Machine Learning Toolbox для классификации KNN (fitcknn и predict). EMD был реализован путём решения транспортной задачи с помощью линейного программирования. Все эксперименты проводились на ПК с Windows 10 с процессором Intel Core i7-10700 (2,90 ГГц) и 16 ГБ оперативной памяти. Предлагаемый метод был проверен с использованием общедоступного набора данных CWRU Bearing Dataset (https://engineering.case.edu/bearingdatacenter/download-data-file). Неисправности были внесены в подшипники SKF6205 приводных концов с помощью электроразрядной обработки (EDM) при трех диаметрах (0,007", 0,014" и 0,021") и в трёх местах (внутренняя рассадка, внешняя и шариковая опора). Вибрационные сигналы собирались на частоте дискретизации 12 кГц при четырёх нагрузках на мотор (0–3 л.с.), что соответствует скоростям 1797–1730 об/мин. Каждая выборка сигнала состояла из 2048 точек данных, полученных с помощью подхода сегментации скользящего окна с размером шага 598 пунктов (70,8% перекрытия).

Предлагаемая рамка диагностики неисправностей с роликовым подшипником на базе KNN (рисунок 1) состоит из семи последовательных этапов, где выход каждого этапа служит входом для следующей. На первом этапе энергетические особенности извлекаются из вибрационных сигналов колебаний с помощью трёхуровневого вейвлет-пакетного разложения с вейвлет-базисом Daubechies 3 (дb3). Нормированные энергетические значения восьми подполос на третьем уровне разложения слагаются в набор признаков Q = (q1, q2, ..., qm), где m = 8 — размерность признаков. Нормализация выполняется с помощью нормализации суммы (нормализации относительной энергии), определённой в уравнении^{6 6}.

Рисунок 1: Блок-схема реализации предлагаемого алгоритма. Блок-схема, иллюстрирующая рабочий процесс предлагаемого метода KNN–MIV–EMD, включая вход вибрационного сигнала, извлечение энергетических признаков вейвлет-пакетов, взвешивание признаков на основе MIV, расчёт сходства на основе EMD и окончательную классификацию с большинством голосов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

На этапе 2 MIV каждой признака рассчитывается с помощью нейронной сети BP (один скрытый слой с 10 нейронами, максимум 2000 итераций, ошибка цели 1,0 × 10⁻⁵, размер шага возмущения δ = ±10% от среднего значения каждой особенности), как определено в уравнениях 10–13²³. Сеть использует гиперболическую касательную сигмоидную функцию (tansig) как активационную функцию θ_s в скрытом слое и линейную функцию (пурелин) на выходном слое. Сеть обучается с использованием алгоритма Левенберга–Марквардта (trainlm). Значение MIV затем присваивается как относительный вес важности этой особенности.

На этапе 3 сырые вибрационные сигналы сегментируются на 200 образцов с использованием скользящего окна из 2048 точек данных с размером шага 598 точек (70,8% перекрытия). Окно перемещается последовательно от начала сигнала. Набор данных (Q) делится на обучающий набор (_{Q train}) и тестовый набор (_{Q test}) с использованием соотношения 52/48. Для каждого состояния неисправности случайным образом выбираются 104 образца в качестве обучающего набора, а оставшиеся 96 образцов используются как тестовый набор. Разбиение повторяется 10 раз с использованием различных случайных засеян, а средние показатели производительности предоставляются для оценки статистической устойчивости. Такой подход гарантирует, что результаты не зависят от конкретного случайного разбиения. Поскольку разделение проводится после сегментации и на уровне выборки, нет пересечения точек данных между обучающими и тестовыми наборами.

На этапе 4 оптимальное количество ближайших соседей K выбирается с помощью пятикратной перекрёстной валидации на обучающем наборе. Сгибы генерируются случайным образом с помощью фиксированного случайного засечка и стратифицируются по классам для сохранения распределения классов. Значения кандидатов K искаются в пределах диапазона , конкретно оценивая K = 1, 3, 5, 7 и 9. Значение K, обеспечивающее наивысшую среднюю точность классификации по пяти сгибам, выбирается в качестве оптимального. В этом исследовании оптимальное значение K определяется как 3.

На пятом этапе показатель сходства усиливается за счёт интеграции весов важности признаков (из MIV) и различий распределения (из EMD). Каждый образец представлен как 8-мерный нормализованный энергетический вектор, полученный с помощью нормализации суммы (как определено в уравнениях 4–7⁶). Обычный классификатор KNN использует евклидово расстояние для измерения сходства между образцами; однако этот подход расширяется для лучшего отражания различий в распределении признаков. EMD измеряет расстояние между распределениями признаков и особенно подходит для анализа энергетического распределения вибрационных сигналов подшипников, полученных путем разложения вейвлет-пакетов. Дополнительная нормализация не применяется до вычислений EMD. Расстояние до земли, используемое в EMD, — это евклидово расстояние между компонентами объектов. При измерении расстояний между несколькими распределениями EMD не зависит от позиционных различий распределений, что позволяет эффективно сравнивать извлечённые энергетические характеристики и улучшать классификацию в сочетании с правилом принятия решений KNN.

Уравнения 1–3 — это новые формулировки, предложенные в данном исследовании. Уравнения 4–7 и 8–26 представляют собой стандартные формулировки в соответствующих областях. Для тестового образца (I) и обучающей выборки (_{Q train}) взвешенное евклидово расстояние, включающее MIV, определяется как уравнение 1, где m = 8 — размерность признаков, w _i — нормализованный вес MIV для i-го признака, _{Q тест, i} и _{Q train, i} — i-е значения признаков тестовых и обучающих образцов, соответственно.

(1)

Расстояние распределения на основе EMD определяется в уравнении 2, где используются распределения признаков тестового (Htest) и обучающего (Htrain) образцов. EMD измеряет минимальную стоимость, необходимую для преобразования одного распределения в другое.

(2)

Последнее расширенное расстояние, объединяющее оба компонента, определяется как уравнение 3, где λ — балансирующий параметр, контролирующий вклад расстояния распределения на основе EMD. В данном исследовании λ устанавливается на 0,5 на основе эмпирической настройки для достижения оптимальной классификации. Значение λ = 0.5 определялось поиском по сетке на валидационном наборе в диапазоне [0, 1] с шагом 0.1, и оптимально выбиралось значение с максимальной точностью классификации. Оптимальное λ может быть специфичным для набора данных; Для других наборов данных мы рекомендуем перенастроить λ с помощью перекрёстной валидации обучающих данных.

(3)

На этапе 6 все обучающие образцы сортируются по увеличенному расстоянию до тестового образца, что включает веса важности признаков на основе MIV и метрики распределения на основе EMD. Верхние K = 3 выборки выбираются в качестве ближайших соседей.

На этапе 7 применяется правило большинства голосов среди ближайших соседей K = 3 для определения окончательной метки класса для каждой тестовой выборки.

Анализ вейвлет-пакетов и экстракция энергии
Вейвлет-пакетная декомпозиция основана на вейвлет-преобразовании, но более утонченна, чем обычное вейвлетное разложение. Отличительной чертой вейвлет-пакетного разложения является способность выполнять более сбалансированный и полный анализ времени и частоты путём разложения как низкочастотных, так и высокочастотных компонентов, в отличие от традиционного вейвлетного разложения, которое уточняет только низкочастотную часть⁵. В отличие от фиксированного разрешения, характерного для вейвлет-декомпозиции, этот подход обеспечивает более сбалансированное представление, снижая типичный компромисс между временной и частотной локализацией по полосы пропускания сигнала.

В процессе многоразрешения разложение вейвлет-пакетов рассматривается как поэтапное ортогональное разложение пространства^{функций 6}. Формула разложения вейвлет-пакетов приведена в уравнении 4⁶:

(4)

В этой формулировке переменные (, , и ) соответствуют коэффициентам, полученным при разложении вейвлет-пакетов, а символы (h_k-2l [низкочастотный] и g_k-2l [высокочастотный]) представляют коэффициенты фильтра, центральные для процесса разложения.

В этом исследовании вейвлет db3 выбран в качестве базисной функции вейвлета благодаря своей компактной поддержке и ортогональности, которые хорошо подходят для извлечения переходных признаков из вибрационных сигналов. Трехуровневая вейвлет-пакетная декомпозиция выполняется на исходных вибрационных сигналах, в результате чего на третьем уровне разложения образуются 2³ =8 подполос.

По сравнению со стандартным вейвлет-преобразованием, преобразование вейвлет-пакета позволяет более гранулярно декомпозиционировать сигнал. Разлагая исходный сигнал до заданного масштаба, он изолирует интересующие частотные диапазоны и извлекает их энергетическое распределение как эффективные характеристики. Вейвлет-пакетное преобразование разлагает сигнал на поддиапазоны, распределение энергии которых характеризует частотное содержание исходного сигнала, и этот производный вектор энергетических признаков служит надёжной основой для классификации сигнала.

Вектор признаков сигнала определяется как нормированное распределение энергии по 2 j частотным диапазонам, полученное в результате разложения вейвлет-пакетов j-слоя, где общая энергия сигнала делится на эти ортогональные подполосы. Энергия, содержащаяся в k-м частотном диапазоне j-го слоя разложения, представлена уравнением 5⁶, а нормированная энергетическая характеристика получается, как показано в уравнении 6⁶.

(5)

(6)

Следуя этой процедуре, для каждого образца вибрационного сигнала строится вектор энергетических признаков, как определено в уравнении^{7 6}:

(7)

Выполнение процедуры диагностики реализации KNN–MIV–EMD
В контролируемом алгоритме KNN классификация нового экземпляра определяется классом множественности среди самых похожих обучающих выборок K , измеряемым заранее заданной метрикой расстояния. Результат классификации зависит от выбора K и характера вычисления сходства. Этот простой, но эффективный принцип лежит в основе его широкого применения в различных областях классификации.

Рабочий процесс алгоритма KNN описан следующим образом. Во-первых, k-ближайшие соседи определяются по обучающим выборкам путём вычисления евклидовых расстояний между тестовой выборкой и каждым обучающим экземпляром, как определено в уравнении^{8 24}.

(8)

В этой нотации переменные x(i) и x(j) соответствуют обучающей и тестовой выборке соответственно.

Далее распределение вероятностей классов для тестовой выборки оценивается на основе его k-ближайших соседей. Здесь k обозначает число ближайших соседей, а число этих k соседей, принадлежащих к определённому классу a (a = 1,2,...,c), используется для вычисления вероятности P(a), что тестовая выборка принадлежит этому классу a, как определено в уравнении 9²⁴. где c обозначает общее количество классов в наборе данных.

(9)

Наконец, диагностика неисправности проводится путём идентификации k-ближайших соседей с помощью уравнения 8, подсчёта подсчетов согласно уравнению 9, сортировки этих подсчетов в убывающем порядке и присвоения классу с наибольшим количеством в качестве класса неисправности тестовой выборки.

MIV основан на структуре нейронной сети BP и используется для отражения веса важности каждой переменной относительно выхода. Нейронная сеть BP — это прямая сеть с типичной трёхслойной топологией, включающей входные, скрытые и выходные слои. Он распространяет ошибки в обратном направлении и итеративно корректирует вес нейронов для достижения самообучения.

Пусть X обозначает выборочный набор данных с L-группами , как определено в уравнениях 10²³ и уравнениях 11²³:

Пусть X — выборочный набор данных с L-группами:

(10)

(11)

Здесь x(k) обозначает выбранные данные в момент времени k, _{x i} — i-й компонент x(k), при этом k = 1, 2, ..., L и i = 1, 2, ..., n.

Рабочий принцип нейронной сети BP таков. Входная выборка x(k) сначала взвешивает по весам соединений ω T и распространяется на скрытый слой для генерации входных данных s_i скрытого слоя, как определено в уравнении 12²³, где функция активации (θ) управляет преобразованием.

(12)

Выход сети затем получается в соответствии с уравнением 13²³:

(13)

где ω_j = [ω_1j, ω_2j,...,ω_nj] обозначает вектор входного веса, β — выходной вектор веса, а j = 1, 2, ..., n. В этом исследовании один скрытый слой установлен на 10 нейронов, максимальное количество итераций — на 2000, а минимально ожидаемая ошибка цели — на 1,0 × 10⁻⁵.

Когда к весам между входным и скрытым слоями применяется небольшое возмущение (Δω_ij), оно распространяется на выход скрытого слоя (S_j), что приводит к изменению, которое в конечном итоге приводит к изменению (ΔS_j) в выходе сети. Соответствующие веса (ω_ij и ω_jk) обновляются через BP, а функция потерь определена в уравнении 14²³.

(14)

Для расширения набора признаков разломов к каждой переменной в выборке применяются небольшие положительные и отрицательные возмущения, как определено в уравнениях 15²³ и уравнения 16²³.

(15)

(16)

В этой формулировке L и n представляют соответственно количество факторов особенностей разлома и групп выборок. В данном исследовании размер шага возмущения устанавливается на δ = ±10% от среднего значения каждого признака, что является широко используемым параметром в анализе важности признаков на основе MIV. Соответственно, выходы для подгонки нейронных сетей получаются в соответствии с уравнениями 17²³ и 18²³.

(17)

(18)

Если , как показано в уравнении 19²³, соответствующие выходы представляют собой результаты возбужденных наборов выборок.

(19)

Здесь и , соответственно представляют выходные результаты выборочных множеств и . Степень воздействия каждой переменной особенности разлома на тип разлома выражается в соответствии с уравнением 20²³.

(20)

Усредняя значения удара по количеству наблюдений, среднее значение удара каждого объекта неисправности по конечному типу выходной неисправности рассчитывается в соответствии с уравнением 21²³.

(21)

EMD — это мера сходства между двумя распределениями. Пусть обозначает распределение источников, а — целевое, где g_i и _{h j} — позиции (или векторы признаков) i-го и j-го кластеров в исходном и целевом распределениях соответственно. ω_gi — это вероятностная масса (вес) в положении g_j, удовлетворяющая . ω_hj — это вероятностная масса (вес) в положении h_j, удовлетворяющая . m и n — это количество кластеров в исходном и целевом распределениях соответственно.

ЭМД между G и H определяется как минимальная стоимость, необходимая для преобразования исходного распределения в целевое, как указано в уравнении 22⁷:

(22)

Здесь оптимальный поток (f_ij) подчиняется ограничениям, определённым в уравнениях 23–26⁷:

(23)

(24)

(25)

(26)

Здесь f_ij — это поток (количество перенесённой массы) от i-го кластера исходного распределения к j-му кластеру целевого распределения. Его размерность равна m × n. d_ij — это расстояние между g_i и h_j, обычно определяемое как евклидово расстояние: . Его размерность также равна m × n. Первое ограничение гарантирует неотрицательные потоки, второе и третье — чтобы общий поток от каждого кластера источников в целевой кластер не превышал доступную массу, а четвёртое — что общий поток равен общей массе, что равно 1 для нормализованных распределений.

На практике EMD вычисляется путём решения транспортной задачи с использованием линейных методов программирования (например, симплексного алгоритма) для определения оптимального потока (_{f ij}), минимизирующего общие транспортные затраты. Полученное значение EMD представляет собой минимальную стоимость, необходимую для преобразования одного распределения в другое, и служит надёжной метрикой сходства для сравнения распределений признаков в предложенном методе диагностики неисправности.

Результаты

Экспериментальная среда и платформа показаны на рисунке 2. Слева направо платформа состоит из подшипника вентилятора, асинхронного двигателя и приводного блока. Центральная часть соединяет эти компоненты с датчиком крутящего момента/энкодером через муфту, а правая часть служит динамометром. Управляющая электроника не показана. Технология EDM использовалась для моделирования неисправностей подшипников — от слабых до суровых условий. Данные о вибрации собирали...

Обсуждение

В настоящем исследовании предлагается метод диагностики неисправностей на основе KNN для подшипников качения, который интегрирует различия распределения через EMD и важность характеристик через MIV. Экспериментальные результаты на наборе данных с подшипниками с прокатыванием, содержащим четыре состояния здоровья (нормальное, разлом внутри расы, разлом с элементом катения и разлом внешней гонки), демонстрируют эффективность предлагаемого подхода. Предлагаемый метод KNN–MIV–EMD обеспечивае...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
<Сильная>Система приобретений
Регистратор данных (16-канальный)			Фильтр сглаживания, 24-битный АЦП; динамический диапазон >90 дБ; Case Western Reserve University, Кливленд, Огайо, США Тип и размер неисправности (дюйм): Все типы неисправности Нагрузка (HP): Все Частота отбора проб: 12 кГц или 48 кГц Назначение исследования: Высококачественный сбор данных Конвенция по именованию файлов: Н/Д
<сильный>поднабор данных
Отбор данных для этого исследования			Данные с конца привода, дискретизация 12 кГц, 4 условия нагрузки; Центр обработки подшипников CWRU (https://engineering.case.edu/bearingdatacenter/download-data-file) Тип и размер неисправности (дюйм): 7 условий и раз; 4 загрузки = 28 подмножеств Нагрузка (HP): Все Частота дискретизации: 12 кГц Назначение исследования: обучение и тестирование моделей Наименование файлов: пользовательский выбор
Информация об этикете
Метки классов разломов			Формат кодирования с одной фазой тип и размер неисправности (дюйм): [1,0,0,0,0,0,0] для Normal и hellip; Load (HP): All Частота выборки: N/A Цель обучения: метки с контролируемым обучением Конвенция именования файлов: Label_vector.mat
<Сильный>Сенсор
Акселерометр (Drive End)			Акселерометр ICP; Позиция: 12 00 часы; чувствительность ~500 мВ/г; Корпус подшипника конца привода Тип и размер неисправности (дюйм): Все типы неисправностей Нагрузка (HP): все Частота дискретизации: 12 кГц или 48 кГц Назначение исследования: первичный прием вибрационного сигнала Конвенция наименования файла: DE_time_series
Акселерометр (конец вентилятора)			Акселерометр ICP; чувствительность ~500 мВ/г; Корпус подшипника вентилятора Тип и размер неисправности (дюйм): Все типы неисправности Нагрузка (HP): все Частота дискретизации: 12 кГц или 48 кГц Назначение в исследовании: вспомогательный/сравнительный сигнал Конвенция именования файлов: FE_time_series
<Сильный>Тестовый подшипник
Шарикоподшипник (здоровый)			Шарикоподшипник с глубокой канавкой (тип 6205); SKF (часто используется в установке CWRU) Тип и размер неисправности (дюйм): нормальная Нагрузка (HP): 0, 1, 2, 3 Частота дискретизации: 12 кГц или 48 кГц Назначение изучения: базовое состояние Конвенция по именованию файла: Normal_0.mat
Шарикоподшипник (внутренний расочный дефект)			Одноточечная неисправность через EDM Тип и размер неисправности (дюйм): внутренний расет (IR) @ 0.007", 0.014", 0.021", 0.028" Нагрузка (HP): 0, 1, 2, 3 Частота дискретизации: 12 кГц или 48 кГц Цель исследования: проверка внутреннего расового неисправности Конвенция наименования файлов: IR007_1.mat
Шарикоподшипник (разлом внешней гонки)			Одноточковая неисправность через EDM (6 o' тактовая позиция) Тип и размер неисправности (дюйм): внешняя гонка (OR) @ 0.007", 0.014", 0.021", 0.028" Нагрузка (HP): 0, 1, 2, 3 Частота дискретизации: 12 кГц или 48 кГц Цель исследования: проверка внешних неисправностей Конвенция наименования файлов: OR021_2.mat
Шарикоподшипник (шаровая неисправность)			Одноточковая неисправность через EDM Тип и размер неисправности (дюйм): Ball (B) @ 0.007", 0.014", 0.021", 0.028" Нагрузка (HP): 0, 1, 2, 3 Частота дискретизации: 12 кГц или 48 кГц Назначение в исследовании: проверка неисправности шаровых элементов Конвенция наименования файлов: B014_3.mat
<Сильный>Тестовый Риг
Симулятор неисправностей машин			Моторная система с регулируемой нагрузкой; акселерометр, установленный на подшипнике; Case Western Reserve University, Кливленд, Огайо, США Тип и размер разлома (дюйм): N/A Нагрузка (HP): 0, 1, 2, 3 Частота отбора проб: 12 кГц или 48 кГц Цель исследования: Источник данных о неисправности Конвенция по именованию файлов: Нет