Comparison between the effectiveness of different : dimensionality reduction techniques for intelligent defect diagnosis of rolling elements

Rotational components are inherently susceptible to defects and failures, constituting a substantial portion of machinery breakdowns and associated downtimes. With advancements in measurement technologies, access to a continuous data stream has become available. This data can be harnessed in conjunction with machine learning to diagnose malfunctions and failures. Nevertheless, the practical utility of these predictive methods can be constrained by the computational demands imposed by the handling of substantial data volumes. Consequently, strategies that mitigate the necessity for copious data inputs have assumed pivotal significance. The objective of this research is to empirically evaluate the impact of distinct dimensionality reduction techniques (DRTs) upon the performance of various classification algorithms. This inquiry employs four diverse datasets sourced from stationary vibration signals from rotating machinery: two from bearings and two from gearboxes, with one of the latter being measured from an experimental configuration at the Politecnico di Milano. The analytical procedure unfolds in a structured sequence, commencing with data preprocessing and feature extraction. A total of 37 pertinent features are selected for the model’s feature space. Subsequently, four distinct machine learning models are trained and tested. And finally, ten DRTs are subjected to testing over the aforementioned models, and their performance is measured and discussed.

I componenti delle macchine rotanti sono intrinsecamente soggetti a difetti e guasti, costituendo una parte rilevante dei guasti dei macchinari e dei conseguenti tempi di fermata. Con i progressi nelle tecnologie di misura, è diventato disponibile l’accesso a un flusso di dati continuo da parte del macchinario. Questi dati possono essere sfruttati insieme al machine leraning per diagnosticare malfunzionamenti e guasti. Tuttavia, l’utilità pratica di questi metodi predittivi può essere limitata dalle esigenze computazionali imposte dalla gestione di notevoli volumi di dati. Di conseguenza, le strategie che mitigano la necessità di inserire enormi set di dati hanno assunto un’importanza fondamentale. L'obiettivo di questa tesi è valutare empiricamente l'impatto di alcune tecniche di riduzione della dimensionalità distinta (DRT) sulle prestazioni di vari algoritmi di classificazione. Questa indagine utilizza quattro diversi set di dati provenienti da segnali di vibrazione stazionari provenienti da macchine rotanti: due sono originati da cuscinetti e due da riduttori, uno dei quali misurato attraverso un test rig installato presso il Politecnico di Milano. La procedura analitica si articola attraverso una sequenza strutturata, iniziando con la preelaborazione dei dati e l'estrazione delle caratteristiche (“features”). Sono state selezionate un totale di 37 caratteristiche pertinenti per lo spazio delle caratteristiche del modello. Successivamente, quattro distinti modelli di machine learning vengono addestrati e testati. Infine, dieci tecniche DRT vengono sottoposte a test sui modelli sopra menzionati e le loro prestazioni vengono confrontate e discusse.