基于统计批次的轴承故障检测
机器学习
2024-07-26 v2 机器学习
摘要
在旋转机械领域，轴承容易受到不同机械故障的影响，包括球形、内圈和外圈故障。可用于基于条件的监控的各种技术包括从经典信号分析到深度学习方法。鉴于旋转机器的复杂工作条件，诸如 Hotelling's 和平方预测误差的多变量统计过程控制图对于提供早期警报有用。然而，这些方法因数据集的单变量性质而很少用于旋转机械的条件监控。本文提出一种基于多变量统计过程控制的故障检测方法，该方法利用由固定时间批次提取的傅里叶变换特征构成的多变量数据。我们的做法利用傅里叶变换特性的多维特性，记录有关机器状态的更详细信息，以努力增强早期缺陷检测和诊断。用于验证所提建议方法的实验包括不同的振动测量位置（风扇端、驱动端）、故障类型（球形、内圈和外圈故障）以及电机负载（0-3 匹）。结果表明我们的方法在故障检测方面有效，并指向其在工业维护中的更广泛应用的可能性。
引用
@article{arxiv.2407.17236,
title = {Statistical Batch-Based Bearing Fault Detection},
author = {Victoria Jorry and Zina-Sabrina Duma and Tuomas Sihvonen and Satu-Pia Reinikainen and Lassi Roininen},
journal= {arXiv preprint arXiv:2407.17236},
year = {2024}
}