Novel data-driven/model-based automatic health characterization for fault detection, diagnosis and prognosis of machinery and its control

Rotating machines are essential part of today’s industry. Continuous availability of these machines at utmost performance level is very much important. Failure of these machines may cause safety hazards and economic losses. Rolling element bearings (REBs) and gears are important components of these machines, therefore, efficient condition monitoring of REBs and gears is crucial for smooth operation and availability of the machines. Fault detection and diagnosis of these components is a labour-oriented exercise and requires experts’ involvement. Most of the times, human intervention cannot respond efficiently and effectively to huge amount of measured data. Hence, automation of this experts-oriented task was much needed. To perform the fault detection and diagnosis process automatically and to relieve the experts from this challenging task, different machine learning based techniques have been introduced by the researchers. For automatic/intelligent fault detection and diagnosis of REBs and gears using Machine Learning (ML) models, accurate features containing enough information regarding the health state of the said components are required to be extracted from vibration signal. For this purpose, vibration signal is divided into small segments to generate enough training data to train the ML model. Mostly the segment size is selected randomly by the researchers, however, using optimal segment size can be crucial in real world applications where mostly limited amount of training data is available. Moreover, to make this process suitable for online monitoring it must be computationally efficient. Thus, fault detection and diagnosis of REBs and gears, by selecting most suitable features to improve the accuracy and to make this process computationally efficient, is a challenging task for the researchers. Therefore, importance of appropriate segmentation of vibration signal for features extraction, and subsequent features selection with the help of genetic algorithm (GA), for accurate and computationally efficient fault detection and diagnosis of REBs and gars is studied using K-nearest neighbours (KNN) model as classifier. Selecting very small size of segment for features extraction to increase the amount of training data, adversely affected the features quality as those features did not contain enough information to depict correct health state of components and subsequently fault detection and diagnosis accuracy of ML model was affected. For Fault detection and diagnosis using ML models, usually it is assumed that the operating conditions under which the models are deployed to make predictions are same to those operating conditions under which the models were trained. However, in real world applications different operating conditions such as speed and load may be encountered. Features which are extracted from vibration signal are sensitive to change in health state of machine’s components and depict changes with changing health state of the components. These features can also be sensitive to operating conditions and may alter due to change in operating conditions as well, consequently, misleading the ML model and causing inaccurate fault detection and diagnosis. In real world applications it is usually not possible to obtain training data from all possible operating conditions. As a result, fault detection and diagnosis under different operating conditions is a challenging task for researchers. Therefore, an effort is made to find robust features which are less sensitive to operating conditions but can discriminate between different health states under different operating conditions for accurate fault detection and fault severity level identification of spiral bevel gears which have rarely been used as benchmark for defect diagnosis studies due to difficulty in their fault detection which is attributed to their high contact ratio and complex vibration signal. Artificial neural network (ANN) and K-nearest neighbours (KNN) are used as classifiers. Performance of both classifiers is significantly improved for fault detection and severity level identification of spiral bevel gears under different operating conditions by eliminating the misleading features, which are more sensitive to operating conditions, and selecting the robust features which are comparatively less sensitive to operating conditions but are fault discriminative. Even though use of classical machine learning models for fault detection and diagnosis has reduced human involvement in this process, however, it involves correct features extraction and selection, which still requires filed experts’ involvement to some extent. In order to further reduce human intervention in this process, deep learning based techniques have been introduced by the researchers. Deep learning models have capability to perform end to end diagnosis and do not require manual features extraction and selection. However, challenge of fault detection and diagnosis under different and variable operating conditions exists for deep learning based techniques as well. Therefore, a novel method is proposed for defect diagnosis of rolling element bearings utilising the combination of order tracking, and image classification and recognition capabilities of deep convolutional neural network (CNN) model. Order maps are generated from nonstationary vibration signal by resampling the signal synchronously at constant angular intervals to convert it into a stationary signal in order domain and subsequently computing Short-time Fourier Transform. Order maps show consistent patterns under variable speed but show unique patterns for different types of defects. The sensitivity of order maps for changing load is studied experimentally for deep groove ball bearings and it is found that they remain consistent under varying loads if the bearings are properly loaded. A deep CNN model having the capability to automatically extract fault discriminating features from order maps is proposed. The proposed method undertook fault detection and diagnosis on rolling element bearings under variable speeds and loads with high accuracy and outperformed other CNN, KNN, ANN and support vector machine (SVM) based methods. Although deep CNN models have gained much success in the field of automatic fault detection and diagnosis using vibration characteristic images due to their excellent image classification and recognition capabilities. However, training the deep CNN models from scratch is computationally much expensive and require a lot of training data as well. Therefore, application of these techniques may not be feasible in real world applications if limited amount of training data is available and hardware limitations exist. This issue can be mitigated to some extent by using pretrained CNN models on other types of data sets through transfer learning. However, it may still be computationally expensive and may require much time in the absence of graphic processing unit (GPU). Alternately, instead of using CNN model as end-to-end classifiers, they can also be used to extract meaningful features form the vibration representative images and those features can be used as input to classical ML models. Moreover, there are other image classification methods which have not been used widely in the field of fault detection and diagnosis of REBs, such as, features extraction from images using local binary patterns (LBPs) and histogram of oriented gradients (HOG) descriptors and using these features as input to classical ML models. These image processing based methods can be computationally much efficient as compared to using CNN models as end-to-end classifiers. However, fault detection and diagnosis accuracy may be compromised. Therefore, using spectrogram images, a comprehensive performance comparison between these image processing based techniques is carried out to find a trade-off between defect diagnosis accuracy and computational expense. Based upon the comparison, a hybrid-ensemble method involving decision level fusion is proposed for defect diagnosis of rolling element bearings. Performance of all these image processing based techniques involving different combinations is also compared in case of minimal training data availability and for diagnosis under slightly different operating conditions to ascertain their generalizability and ability to correctly diagnose despite availability of minimal training data. The performance of the proposed hybrid-ensemble method remained outstanding for the defect diagnosis of REBs’ even though being computationally far less expensive as compared to CNN models while using them as end-to-end classifiers.

Le macchine rotanti sono una parte essenziale dell'industria odierna. La disponibilità continua di queste macchine al massimo livello di prestazioni è molto importante. Il guasto di queste macchine può causare rischi per la sicurezza e perdite economiche. I cuscinetti a rotolamento (REB) e gli ingranaggi sono componenti importanti di queste macchine, pertanto un monitoraggio efficiente delle condizioni di REB e ingranaggi è fondamentale per il buon funzionamento e la disponibilità delle macchine. Il rilevamento e la diagnosi dei guasti di questi componenti è un esercizio orientato al lavoro e richiede il coinvolgimento di esperti. La maggior parte delle volte, l'intervento umano non è in grado di rispondere in modo efficiente ed efficace a enormi quantità di dati misurati. Quindi, l'automazione di questo compito orientato agli esperti era assolutamente necessaria. Per eseguire automaticamente il processo di rilevamento e diagnosi dei guasti e per sollevare gli esperti da questo compito impegnativo, i ricercatori hanno introdotto diverse tecniche basate sull'apprendimento automatico. Per il rilevamento automatico/intelligente dei guasti e la diagnosi di REB e ingranaggi utilizzando modelli di Machine Learning (ML), è necessario estrarre dal segnale di vibrazione caratteristiche accurate contenenti informazioni sufficienti sullo stato di salute di detti componenti. A tale scopo, il segnale di vibrazione è suddiviso in piccoli segmenti per generare dati di addestramento sufficienti per addestrare il modello ML. Per lo più la dimensione del segmento viene selezionata in modo casuale dai ricercatori, tuttavia, l'utilizzo della dimensione ottimale del segmento può essere cruciale nelle applicazioni del mondo reale in cui è disponibile una quantità per lo più limitata di dati di addestramento. Inoltre, per rendere questo processo adatto al monitoraggio online deve essere efficiente dal punto di vista computazionale. Pertanto, il rilevamento e la diagnosi dei guasti di REB e ingranaggi, selezionando le caratteristiche più adatte per migliorare l'accuratezza e rendere questo processo efficiente dal punto di vista computazionale, è un compito impegnativo per i ricercatori. Pertanto, l'importanza di un'appropriata segmentazione del segnale di vibrazione per l'estrazione delle caratteristiche e la successiva selezione delle caratteristiche con l'aiuto dell'algoritmo genetico (GA), per il rilevamento e la diagnosi dei guasti accurati ed efficienti dal punto di vista computazionale di REB e gars viene studiata utilizzando K-nearest neighbors (KNN) modello come classificatore. La selezione di dimensioni molto ridotte del segmento per l'estrazione delle funzionalità per aumentare la quantità di dati di addestramento ha influito negativamente sulla qualità delle funzionalità in quanto tali funzionalità non contenevano informazioni sufficienti per rappresentare il corretto stato di salute dei componenti e successivamente il rilevamento degli errori e l'accuratezza della diagnosi del modello ML ne sono stati influenzati. Per il rilevamento e la diagnosi dei guasti utilizzando i modelli ML, di solito si presume che le condizioni operative in cui i modelli vengono distribuiti per fare previsioni siano le stesse condizioni operative in cui i modelli sono stati addestrati. Tuttavia, nelle applicazioni del mondo reale si possono incontrare diverse condizioni operative come velocità e carico. Le caratteristiche estratte dal segnale di vibrazione sono sensibili al cambiamento dello stato di salute dei componenti della macchina e rappresentano i cambiamenti con il cambiamento dello stato di salute dei componenti. Queste caratteristiche possono anche essere sensibili alle condizioni operative e possono alterarsi anche a causa del cambiamento delle condizioni operative, di conseguenza fuorviando il modello ML e causando un rilevamento e una diagnosi imprecisi dei guasti. Nelle applicazioni del mondo reale di solito non è possibile ottenere dati di addestramento da tutte le possibili condizioni operative. Di conseguenza, il rilevamento e la diagnosi dei guasti in diverse condizioni operative è un compito impegnativo per i ricercatori. Pertanto, viene fatto uno sforzo per trovare caratteristiche robuste che siano meno sensibili alle condizioni operative ma in grado di discriminare tra diversi stati di salute in diverse condizioni operative per un rilevamento accurato dei guasti e l'identificazione del livello di gravità dei guasti degli ingranaggi conici a spirale che sono stati usati raramente come punto di riferimento per i difetti studi diagnostici a causa della difficoltà nel loro rilevamento dei guasti che è attribuito al loro elevato rapporto di contatto e al segnale di vibrazione complesso. Come classificatori vengono utilizzati la rete neurale artificiale (ANN) e i vicini K più vicini (KNN). Le prestazioni di entrambi i classificatori sono notevolmente migliorate per il rilevamento dei guasti e l'identificazione del livello di gravità degli ingranaggi conici a spirale in diverse condizioni operative eliminando le caratteristiche fuorvianti, che sono più sensibili alle condizioni operative, e selezionando le caratteristiche robuste che sono relativamente meno sensibili alle condizioni operative ma sono discriminatori di colpa. Anche se l'uso dei classici modelli di apprendimento automatico per il rilevamento e la diagnosi dei guasti ha ridotto il coinvolgimento umano in questo processo, tuttavia, comporta una corretta estrazione e selezione delle caratteristiche, che richiede ancora il coinvolgimento di esperti in campo in una certa misura. Al fine di ridurre ulteriormente l'intervento umano in questo processo, i ricercatori hanno introdotto tecniche basate sull'apprendimento profondo. I modelli di deep learning hanno la capacità di eseguire diagnosi end-to-end e non richiedono l'estrazione e la selezione manuale delle funzionalità. Tuttavia, la sfida del rilevamento e della diagnosi dei guasti in condizioni operative diverse e variabili esiste anche per le tecniche basate sul deep learning. Pertanto, viene proposto un nuovo metodo per la diagnosi dei difetti dei cuscinetti a rotolamento che utilizza la combinazione di tracciamento dell'ordine e capacità di classificazione e riconoscimento delle immagini del modello di rete neurale convoluzionale profonda (CNN). Le mappe d'ordine vengono generate da un segnale di vibrazione non stazionario ricampionando il segnale in modo sincrono a intervalli angolari costanti per convertirlo in un segnale stazionario nel dominio dell'ordine e successivamente calcolando la trasformata di Fourier a breve termine. Le mappe degli ordini mostrano schemi coerenti a velocità variabile ma mostrano schemi univoci per diversi tipi di difetti. La sensibilità delle mappe d'ordine al variare del carico è stata studiata sperimentalmente per i cuscinetti radiali a sfere e si è riscontrato che rimangono costanti al variare dei carichi se i cuscinetti sono caricati correttamente. Viene proposto un modello CNN profondo che ha la capacità di estrarre automaticamente le caratteristiche di discriminazione dei guasti dalle mappe degli ordini. Il metodo proposto ha effettuato il rilevamento e la diagnosi dei guasti sui cuscinetti volventi a velocità e carichi variabili con elevata precisione e ha superato altri metodi basati su CNN, KNN, ANN e Support Vector Machine (SVM). Sebbene i modelli CNN profondi abbiano ottenuto molto successo nel campo del rilevamento e della diagnosi automatica dei guasti utilizzando immagini delle caratteristiche di vibrazione grazie alle loro eccellenti capacità di classificazione e riconoscimento delle immagini. Tuttavia, l'addestramento da zero dei modelli CNN profondi è computazionalmente molto costoso e richiede anche molti dati di addestramento. Pertanto, l'applicazione di queste tecniche potrebbe non essere fattibile nelle applicazioni del mondo reale se è disponibile una quantità limitata di dati di addestramento ed esistono limitazioni hardware. Questo problema può essere mitigato in una certa misura utilizzando modelli CNN preaddestrati su altri tipi di set di dati attraverso il transfer learning. Tuttavia, potrebbe essere ancora costoso dal punto di vista computazionale e potrebbe richiedere molto tempo in assenza di un'unità di elaborazione grafica (GPU). In alternativa, invece di utilizzare il modello CNN come classificatori end-to-end, possono anche essere utilizzati per estrarre caratteristiche significative dalle immagini rappresentative delle vibrazioni e tali caratteristiche possono essere utilizzate come input per i modelli ML classici. Inoltre, ci sono altri metodi di classificazione delle immagini che non sono stati ampiamente utilizzati nel campo del rilevamento e della diagnosi dei guasti dei REB, come l'estrazione delle caratteristiche dalle immagini utilizzando i descrittori dei modelli binari locali (LBP) e dell'istogramma dei gradienti orientati (HOG) e utilizzando queste caratteristiche come input per i classici modelli ML. Questi metodi basati sull'elaborazione delle immagini possono essere computazionalmente molto efficienti rispetto all'utilizzo dei modelli CNN come classificatori end-to-end. Tuttavia, il rilevamento dei guasti e l'accuratezza della diagnosi potrebbero essere compromessi. Pertanto, utilizzando le immagini dello spettrogramma, viene eseguito un confronto completo delle prestazioni tra queste tecniche basate sull'elaborazione delle immagini per trovare un compromesso tra l'accuratezza della diagnosi dei difetti e la spesa computazionale. Sulla base del confronto, viene proposto un metodo ibrido che coinvolge la fusione a livello decisionale per la diagnosi dei difetti dei cuscinetti volventi. Le prestazioni di tutte queste tecniche basate sull'elaborazione delle immagini che coinvolgono diverse combinazioni vengono confrontate anche in caso di disponibilità minima di dati di addestramento e per la diagnosi in condizioni operative leggermente diverse per accertarne la generalizzabilità e la capacità di diagnosticare correttamente nonostante la disponibilità di dati di addestramento minimi. Le prestazioni del metodo dell'insieme ibrido proposto sono rimaste eccezionali per la diagnosi dei difetti dei REB, anche se computazionalmente molto meno costose rispetto ai modelli CNN durante l'utilizzo come classificatori end-to-end.