ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ БІНАРНОЇ КЛАСИФІКАЦІЇ РОБОЧОГО СТАНУ ПІДШИПНИКІВ ЗА СИГНАЛАМИ ЇХ ВІБРОПРИСКОРЕННЯ
DOI:
https://doi.org/10.20998/2079-0023.2021.02.03Ключові слова:
машинне навчання, вібродіагностика дефектів підшипників кочення, обробка даних, вилучення ознак сигналів, швидке перетворення Фур’є, класифікація незбалансованих наборів даних, метод Монте-Карло, бутстрапАнотація
В роботі досліджується зв’язок між віброприскоренням підшипників з їх робочим станом. Для визначення цих залежностей було побудовано
випробувальний стенд та проведено 112 експериментів з різними підшипниками: 100 підшипників, у яких під час експлуатації розвинувся
внутрішній дефект та 12 підшипників без дефекту. З отриманих записів було сформовано набір даних, який використовувався для побудови
класифікатору та знаходиться у вільному доступі. Був запропонований метод для класифікації нових та використаних підшипників, що
полягає у пошуку залежностей та закономірностей сигналу за допомогою описових функцій: статистичних, ентропій, фрактальних
розмірностей та інших. Окрім обробки самого сигналу, також використовувалося частотне представлення сигналу роботи підшипників для
доповнення простору ознак. У роботі було перевірено можливість узагальнення класифікації для її застосування на тих сигналах, які не були
отримані під час лабораторних експериментів. Сторонній набір даних було знайдено у вільному доступі. Цей набір даних був використаний
для того, щоб визначити, наскільки точним буде класифікатор, який навчався та тестувався на істотно різних сигналах. Навчання та
валідація проводилась методом бутсрапування для викорінення ефекту випадковості з огляду на малий об’єм наявних даних для навчання.
Для оцінки якості класифікаторів було використано F1-міру, як основну метрику, через незбалансованість наборів даних. В якості моделей
класифікатору були обрані наступні алгоритми машинного навчання з вчителем: логістична регресія, метод опорних векторів, випадковий
ліс та метод найближчих сусідів. Результати представлені в вигляді графіків густини розподілу та діаграм.
Посилання
Nguyen P., Kang M., Kim J., Ahn B., Ha J., Choi B. Robust condition monitoring of rolling element bearings using de-noising and envelope analysis with signal decomposition techniques. Expert systems with applications. 2015, vol. 42, no. 22, pp. 9024–9032. doi: 10.1016/j.eswa.2015.07.064.
Graney B., Starry K. Rolling element bearing analysis. Engineering. Materials evaluation. 2012, vol. 70, pp. 78–85.
Naumenko A. P., Kudryavtseva Y. S. Dyahnostyrovanye defektov y neyspravnostey mashyn y mekhanyzmov: ukazanyya k laboratornim rabotam. [Diagnosis of defects and malfunctions of machines and mechanisms: instructions for laboratory work]. Omsk: OmHTU Publ., 2017. 60 p.
Tadzhibaev A. I., Draganchev H., Yarovoy V. S., Gayurov L., Korkin L. M., Forecasting of the technical condition of rolling bearings based on vibration analysis. Materials Science. Power Engineering. 2021, pp. 77–85, doi: 10.18721/JEST.27307.
Akutin M. V. Method of monitoring the state of rolling bearings based on the comparison of wavelet scalegrams. Izvestiya vuzov. Energy problems. 2009, no. 1–2, pp. 145–149. URL: https://cyberleninka.ru/article/n/metod-kontrolya-sostoyaniyapodshipnikov-kacheniya-na-osnove-sravneniya-veyvletskeylogramm (date accessed 07.12.2021).
Kan Sh. Ch., Mykulovych A. V., Mykulovych V. Y. Spektral'niy analyz ohybayushchey visokochastotnikh sostavlyayushchykh slozhnikh syhnalov na osnove empyrycheskoy dekompozytsyy mod y preobrazovanyya Hyl'berta. [Spectral analysis of the envelope of high-frequency components of complex signals based on empirical mode decomposition and Hilbert transform]. Informatyka. 2010, vol. 4, no. 28, pp. 16–26.
Soto-Ocampo R., Cano-Moreno J., Mera J., Maroto J. Bearing severity fault evaluation using contour maps-case study. Applied sciences. 2021, vol. 11, no. 14, pp. 2–30. doi: 10.3390/app11146452.
Cococcioni M., Forte P., Sacchi C., Manconi S. A machine learning approach to fault diagnosis of rolling bearings. 2008 IEEE international conference on computational cybernetics (ICCC), Stara Lesna, Slovakia, 27–29 November 2008. 2008, pp. 209–214. doi: 10.1109/icccyb.2008.4721407.
Nishizaki H., Makino K. Signal classification using deep learning. 2019 IEEE international conference on sensors and nanotechnology (SENSORS & NANO), Penang, Malaysia, 24–25 July 2019. 2019, pp. 1–4. doi: 10.1109/sensorsnano44414.2019.8940077.
Soto-Ocampo C., Cano-Moreno J., Mera J., Maroto J. Bearing Database. Available at: https://zenodo.org/record/3898942#.YbZtrr1ByUm (accessed 01.12.2021).
Isaienkov K. Bearing classification. Available at: https://www.kaggle.com/isaienkov/bearing-classification (accessed 22.09.2021).
Pedregosa F., Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011, vol. 12, pp. 2825–2830.
Babudzhan, R., Isaienkov, K., Krasii, D., Melkonian, R., Vodka, O., Zadorozhniy, I., & Yushchuk, M. Collection and processing of bearing vibration data for their technical condition classification by machine learning methods. Modeling Control and Information Technologies. 2021, vol. 5, pp. 10–15. doi: 10.31713/mcit.2021.02.
Müller A., Guido S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, 2016. 400 p.
Sulaiman M., Hossin M. A Review on Evaluation Metrics for Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process. Vol. 5, pp. 1–11. doi: 10.5121/ijdkp.2015.5201.
Janitza S., Hornung R. On the overestimation of random forest’s out-of-bag error. PLoS ONE. 2018, vol. 13, pp. 2–19. doi: 10.1371/journal.pone.0201904.
Bruce P. and Bruce A. Practical Statistics for Data Scientists: 50 Essential Concepts. O’Reilly Media, 2017. 318 p.
Fishman G. Monte Carlo: concepts, algorithms, and applications. Springer, 1996. 689 p.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
ЛіцензіяАвтори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
