Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình chẩn đoán biên dạng hỗ trợ CEEMD dựa trên vector hỗ trợ cho biên dạng
Tóm tắt
Việc đánh giá thành công tình trạng sức khỏe của vòng bi lăn phụ thuộc vào việc phát hiện sớm các lỗi xảy ra ở các thành phần của vòng bi. Các nghiên cứu trước đây đã chứng minh rằng sự tương tác của các thành phần khác nhau trong hệ thống cơ khí và tiếng ồn từ hệ thống thu thập dữ liệu dẫn đến xu hướng không rõ ràng của tín hiệu rung động từ các vòng bi. Xu hướng không rõ ràng này có thể dẫn đến việc đánh giá không chính xác tình trạng máy móc, điều này có thể dẫn đến mất lợi nhuận và hỏng hóc thảm khốc. Do đó, việc取得 tình trạng máy móc dưới tiếng ồn nặng trong giai đoạn suy thoái sớm là điều quan trọng để đảm bảo hoạt động trơn tru và tối đa hóa năng suất. Trong quá khứ, nhiều kỹ thuật xử lý tín hiệu đã được áp dụng trong chẩn đoán vòng bi để cải thiện tỷ số tín hiệu trên tiếng ồn và giám sát các dải tần số liên quan đến lỗi vòng bi. Các mô hình chẩn đoán thường liên quan đến việc điều chỉnh tham số và lựa chọn đặc trưng. Việc điều chỉnh các tham số của mô hình chẩn đoán có thể rất tỉ mỉ và yêu cầu hiểu biết về đặc điểm của tín hiệu thu được. Ngoài các đặc trưng thường được chọn như giá trị trung bình bình phương, độ nhọn và độ lệch, việc lựa chọn các đặc trưng khác từ tín hiệu không cung cấp nhiều hiểu biết về sự suy thoái của vòng bi. Các đặc trưng được trộn lẫn theo cách mà một vài trong số đó có thể gây tác động tiêu cực đến việc đánh giá sự suy thoái. Để giải quyết vấn đề nêu trên, chúng tôi trình bày một mô hình chẩn đoán đổi mới sử dụng phân tích chế độ đồng bộ bổ sung (CEEMD) với vector hỗ trợ hạt nhân (kernel SVM) để đánh giá tình trạng sức khỏe của vòng bi về mức độ nghiêm trọng của lỗi. Theo hiểu biết tốt nhất của chúng tôi, sự kết hợp của hai phương pháp này chưa được áp dụng trong các nghiên cứu đã được tài liệu hóa. Sự mới lạ của công việc này là tối ưu hóa tham số CEEMD bằng cách sử dụng phương pháp lấy mẫu bootstrap trong khi kết hợp với kernel SVM để đặc trưng hóa kích thước lỗi của vòng bi. Tín hiệu thu được được xử lý bằng phương pháp phân tích chế độ đồng bộ bổ sung để loại bỏ tiếng ồn không mong muốn và trích xuất tín hiệu chứa đặc trưng lỗi. Tín hiệu sau đó được kiểm tra, phân đoạn và phân loại dựa trên giai đoạn suy thoái của vòng bi. Kernel SVM được sử dụng để học cách phân loại chính xác và dự đoán giai đoạn suy thoái tương ứng của vòng bi dựa trên giá trị trung bình bình phương đơn giản thay vì sử dụng nhiều đặc trưng khác nhau. Mô hình đạt độ chính xác dự đoán khoảng 98% và dễ thực hiện nhờ số lượng tham số ít. So với SVM truyền thống và kernel SVM, mô hình đề xuất cải thiện đáng kể độ chính xác dự đoán. Nhờ độ chính xác dự đoán cao và việc dễ dàng thực hiện, mô hình đề xuất có thể được áp dụng trong giám sát tình trạng máy móc trên các máy sản xuất CNC và nhiều loại máy móc quay khác nhau.
Từ khóa
#CEEMD #kernel SVM #chẩn đoán vòng bi #lỗi #phân tích tín hiệu #giám sát tình trạng máy mócTài liệu tham khảo
Paris P, Erdogan F (1963) A critical analysis of crack propagation laws. J Basic Eng 85(4):528–533
Anderson TL (2017) Fracture mechanics: fundamentals and applications. CRC press
Lu Y, Xie R, Liang SY (2019) CEEMD-assisted bearing degradation assessment using tight clustering. Int J Adv Manuf Technol:1–9
Zhang W, Li C, Peng G, Chen Y, Zhang Z (2018) A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load. Mech Syst Signal Process 100:439–453
Wang D, Zhao Y, Yi C, Tsui K-L, Lin J (2018) Sparsity guided empirical wavelet transform for fault diagnosis of rolling element bearings. Mech Syst Signal Process 101:292–308
Liu R, Yang B, Zio E, Chen X (2018) Artificial intelligence for fault diagnosis of rotating machinery: a review. Mech Syst Signal Process 108:33–47
Lu Y, Xie R, Liang SY (2018) Detection of weak fault using sparse empirical wavelet transform for cyclic fault. Int J Adv Manuf Technol:1–7
Lu Y, Xie R, Liang SY (2018) Adaptive online dictionary learning for bearing fault diagnosis. Int J Adv Manuf Technol:1–8
Liang SY et al (2014) Adaptive prognostics for rotary machineries. Procedia Engineering 86:852–857
T. R. Kurfess, S. Billington, and S. Y. Liang, "Advanced diagnostic and prognostic techniques for rolling element bearings," in Condition monitoring and control for intelligent manufacturing: Springer, 2006, pp. 137–165
Y. Lu, R. Xie, and S. Y. Liang, "Bearing fault diagnosis with nonlinear adaptive dictionary learning," The International Journal of Advanced Manufacturing Technology, pp. 1–13
Jardine AK, Lin D, Banjevic D (2006) A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mech Syst Signal Process 20(7):1483–1510
Randall RB, Antoni J (2011) Rolling element bearing diagnostics—a tutorial. Mech Syst Signal Process 25(2):485–520
Lu Y, Xie R, Liang SY (2019) Bearing fault diagnosis with nonlinear adaptive dictionary learning. Int J Adv Manuf Technol 102(9–12):4227–4239
Nandi S, Toliyat HA, Li X (2005) Condition monitoring and fault diagnosis of electrical motors—a review. IEEE transactions on energy conversion 20(4):719–729
Lu Y, Xie R, Liang SY (2019) CEEMD-assisted bearing degradation assessment using tight clustering. Int J Adv Manuf Technol 104(1–4):1259–1267
H. Zhao, R. Yao, L. Xu, Y. Yuan, G. Li, and W. Deng, "Study on a novel fault damage degree identification method using high-order differential mathematical morphology gradient spectrum entropy," Entropy, vol. 20, no. 9, p. 682, 2018
Rai V, Mohanty A (2007) Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert–Huang transform. Mech Syst Signal Process 21(6):2607–2615
Y. Li, "Dynamic prognostics of rolling element bearing condition," Georgia Institute of Technology, 1999
D. Mba and R. B. Rao, "Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines; bearings, pumps, gearboxes, engines and rotating structures," 2006
Thanagasundram S, Schlindwein F (2006) Comparison of integrated micro-electrical-mechanical system and piezoelectric accelerometers for machine condition monitoring. Proc Inst Mech Eng C J Mech Eng Sci 220(8):1135–1146
Smith J (1982) Vibration monitoring of bearings at low speeds. Tribol Int 15(3):139–144
Feng G-J, Gu J, Zhen D, Aliwan M, Gu F-S, Ball AD (2015) Implementation of envelope analysis on a wireless condition monitoring system for bearing fault diagnosis. Int J Autom Comput 12(1):14–24
R. N. Bracewell and R. N. Bracewell, The Fourier transform and its applications. McGraw-Hill New York, 1986
McFadden P, Smith J (1984) Vibration monitoring of rolling element bearings by the high-frequency resonance technique—a review. Tribol Int 17(1):3–10
Peng Z, Peter WT, Chu F (2005) A comparison study of improved Hilbert–Huang transform and wavelet transform: application to fault diagnosis for rolling bearing. Mech Syst Signal Process 19(5):974–988
N. E. Huang et al., "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis," Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, vol. 454, no. 1971, pp. 903–995, 1998
X. Zhang, R. Xu, C. Kwan, S. Y. Liang, Q. Xie, and L. Haynes, "An integrated approach to bearing fault diagnostics and prognostics," in American Control Conference, 2005. Proceedings of the 2005, 2005, pp. 2750–2755: IEEE
Wu Z, Huang NE (2009) Ensemble empirical mode decomposition: a noise-assisted data analysis method. Adv Adapt Data Anal 1(01):1–41
Yeh J-R, Shieh J-S, Huang NE (2010) Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method. Adv Adapt Data Anal 2(02):135–156
M. E. Torres, M. A. Colominas, G. Schlotthauer, and P. Flandrin, "A complete ensemble empirical mode decomposition with adaptive noise," in 2011 IEEE international conference on acoustics, speech and signal processing (ICASSP), 2011, pp. 4144–4147: IEEE
Li M, Wang H, Tang G, Yuan H, Yang Y (2014) An improved method based on CEEMD for fault diagnosis of rolling bearing. Advances in Mechanical Engineering 6:676205
L. Zhao, W. Yu, and R. Yan, "Rolling bearing fault diagnosis based on CEEMD and time series modeling," Mathematical Problems in Engineering, vol 2014, 2014
J. Bian, P. Wang, Q. Mei, and M. Lei, "Fault detection of rolling bearings through vibration analysis via the hybrid CEEMD-EMD approach," in 2014 Prognostics and System Health Management Conference (PHM-2014 Hunan), 2014, pp. 245–250: IEEE
X. Li and F. Ding, "Application of CEEMD-SVM in Rolling Bearing Fault Recognition," in 2016 6th International Conference on Mechatronics, Computer and Education Informationization (MCEI 2016), 2016: Atlantis Press
Al-Ghamd AM, Mba D (2006) A comparative experimental study on the use of acoustic emission and vibration analysis for bearing defect identification and estimation of defect size. Mech Syst Signal Process 20(7):1537–1571
Mba D (2008) The use of acoustic emission for estimation of bearing defect size. J Fail Anal Prev 8(2):188–192
A. M. Al-Ghamdi, P. Cole, R. Such, and D. Mba, "Estimation of bearing defect size with acoustic emission," Insight-Non-Destructive Testing and Condition Monitoring, vol. 46, no. 12, pp. 758–761, 2004
Li Y, Billington S, Zhang C, Kurfess T, Danyluk S, Liang S (1999) Adaptive prognostics for rolling element bearing condition. Mech Syst Signal Process 13(1):103–113
Hosmer DW Jr, Lemeshow S, Sturdivant RX (2013) Applied logistic regression. John Wiley & Sons
J. M. Keller, M. R. Gray, and J. A. Givens, "A fuzzy k-nearest neighbor algorithm," IEEE transactions on systems, man, and cybernetics, no. 4, pp. 580–585, 1985
Jain AK, Murty MN, Flynn PJ (1999) Data clustering: a review. ACM computing surveys (CSUR) 31(3):264–323
Wan EA (1990) Neural network classification: a Bayesian interpretation. IEEE Trans Neural Netw 1(4):303–305
Yang Y, Yu D, Cheng J (2007) A fault diagnosis approach for roller bearing based on IMF envelope spectrum and SVM. Measurement 40(9–10):943–950
Yang J, Zhang Y, Zhu Y (2007) Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension. Mech Syst Signal Process 21(5):2012–2024
Yu Y, Junsheng C (2006) A roller bearing fault diagnosis method based on EMD energy entropy and ANN. J Sound Vib 294(1–2):269–277
Liu X, Bo L, Luo H (2015) Bearing faults diagnostics based on hybrid LS-SVM and EMD method. Measurement 59:145–166
Yu D, Cheng J, Yang Y (2005) Application of EMD method and Hilbert spectrum to the fault diagnosis of roller bearings. Mech Syst Signal Process 19(2):259–270
Y. Lu, R. Xie, and S. Y. Liang, "CEEMD assisted bearing degradation assessment using tight clustering," The International Journal of Advanced Manufacturing Technology, 2019
Scholkopf B, Smola AJ (2001) Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT press
Qiu H, Lee J, Lin J, Yu G (2006) Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics. J Sound Vib 289(4–5):1066–1090