BFDS-MOMEDA-LIA: deconvolution in bounded finite dimentional space for early fault diagnosis of rotation machinery

Rotating machinery, especially bearings, play a crucial role in modern transportation world, for acting as key components in transportation tools. Their good operation status is one of the most fundamental guarantees for the development of modern transportation systems, supporting a wide range of applications. Bearing reliability is essential to ensure the smooth operation and long-term stability of these systems. However, bearings will be affected by various external and internal factors during long operation, which may lead to early fault. These factors include vibration, friction, lubrication problems, material fatigue, and more. If early faults are not detected and diagnosed in a timely manner, they can lead to equipment downtime, increased maintenance costs, production disruptions, and accidents, which can have a significant impact on socio-economic benefits and the safety of traffic participants. Therefore, early fault diagnosis has become a key problem in engineering field. As sensor technology, signal processing and mode recognition methods continue to advance, engineers and researchers have more tools to effectively monitor and diagnose early bearing failures. The purpose of this study is to study and explore the application of these technologies to improve the reliability and performance of bearings. This work has deeply reviewed the working principle of bearings, common fault modes and diagnosis methods. A detection framework for the early fault detection of bearings has been proposed. By conducting experiments and case studies, the effectiveness of the proposed approach has been verified, and recommendations for implementation in different application scenarios have been made. The measurement uncertainty of the proposed framework has also be evaluated. The objective of this study is to provide the engineering community with a comprehensive overview of the latest research in early bearing fault diagnosis techniques, and to provide useful guidance and insights for researchers and practitioners in related fields. It is hoped that the early fault diagnosis strategy of rotating parts proposed in this study can improve the reliability of rotating parts, reduce maintenance costs, improve the utilization rate of equipment, and make a positive contribution to the industry and society. Firstly, a new inverse filter solution strategy based on optimization algorithm has been proposed, in order to extract fast repeat pulse of rotating component fault, aiming at the shortcomings of inverse filter solution methods such as MED, OMEDA, MCKD and MOMEDA. In this work, the inverse filter designing strategies based on generalized spherical coordinate transformation has been taken as comparing benchmark. Several heuristic optimization algorithms combined with MOMEDA have been employed to form a method called BFDS-MOMEDA to search the optimal inverse filter in bounded finite dimensional space. BFDS-MOMEDA method overcomes the defect of filter coefficient convergence caused by generalized spherical coordinate transformation, and realizes the design of inverse filter more efficiently according to multi-D norm in bounded space. Secondly, aiming at the weak energy of early fault signals, in order to further explore the periodic pulse components in rotating component fault signals, this study proposed a detection framework combining blind deconvolution and lock-in amplification algorithms, called BFDS-MOMEDA-LIA framework. In the framework, blind deconvolution is used to efficiently extract periodic pulse components and filter out unwanted information. The autocorrelation function (AC) is used to identify the period of the fault pulse signal, and the fundamental harmonic amplitude of the fault pulse signal is accurately and sensitively extracted by lock-in amplifier (LIA), which is used as the criterion of early fault. Finally, according to the detection framework, the uncertainty of the detection means has been analysed. In this work, the amplitude of fault frequency signals in vibration signals is measured by lock-in amplifier, and the uncertainty in the measurement process from JCGM 100 and JCGM 101 perspectives has been discussed. This study produces a quantitative analysis of the uncertainty of the lock-in amplifier, quantifies the uncertainty in the diagnosis process, and provides guidance for future potential work. For the early fault detection framework proposed in this study, a famous data set has been used to demonstrate the effectiveness of the method. Simulation and experimental results show that the framework proposed in this study can accurately and robustly identify early faults of rotating parts, and has good industrial application potential. Secondly, the proposed BFDS-MOMEDA method can be transferred to a variety of blind deconvolution algorithms, and a method of solving blind deconvolution using optimization ideas has been illustrated. The proposed BFDS-MOMEDA-LIA method is not a simple combination of the two methods. This detection framework is retrospectively discussed in uncertainty analysis. BFDS-MOMEDA accurately identifies the period of the fault without participating in the quantification of the degree of the fault, whereas LIA quantifies the degree of the fault at this frequency band without being affected by the bias of the period estimate. BFDS-MOMEDA-LIA method uses the unique advantages of the two methods, complements the potential defects, and comprehensively realizes the extraction and quantification of early weak fault information.

Le macchine rotanti, specialmente i cuscinetti, svolgono un ruolo cruciale nel mondo dei trasporti moderno, agendo come componenti chiave negli strumenti di trasporto. Il loro buono stato di funzionamento è una delle garanzie più fondamentali per lo sviluppo dei moderni sistemi di trasporto, supportando una vasta gamma di applicazioni. La affidabilità dei cuscinetti è essenziale per garantire il regolare funzionamento e la stabilità a lungo termine di questi sistemi. Tuttavia, i cuscinetti saranno influenzati da vari fattori esterni e interni durante il lungo funzionamento, che potrebbero portare a un guasto precoce. Questi fattori includono vibrazioni, attrito, problemi di lubrificazione, affaticamento del materiale e altro ancora. Se i guasti precoci non vengono rilevati e diagnosticati tempestivamente, possono causare tempi di fermo dell'attrezzatura, costi di manutenzione più elevati, interruzioni della produzione e incidenti, che possono avere un impatto significativo sui benefici socio-economici e sulla sicurezza dei partecipanti al traffico. Pertanto, la diagnosi precoce dei guasti è diventata un problema chiave nel campo ingegneristico. Con l'avanzare della tecnologia dei sensori, dell'elaborazione dei segnali e dei metodi di riconoscimento dei modelli, gli ingegneri e i ricercatori dispongono di più strumenti per monitorare ed diagnosticare efficacemente i guasti precoci dei cuscinetti. Lo scopo di questo studio è studiare ed esplorare l'applicazione di queste tecnologie per migliorare l'affidabilità e le prestazioni dei cuscinetti. Questo lavoro ha esaminato approfonditamente il principio di funzionamento dei cuscinetti, le modalità di guasto comuni e i metodi di diagnosi. È stato proposto un quadro di rilevamento per la diagnosi precoce dei guasti dei cuscinetti. Attraverso esperimenti e studi di caso, è stata verificata l'efficacia dell'approccio proposto e sono state fornite raccomandazioni per l'implementazione in diversi scenari applicativi. È stata valutata anche l'incertezza di misura del quadro proposto. L'obiettivo di questo studio è fornire alla comunità ingegneristica una panoramica completa delle ultime ricerche sulle tecniche di diagnosi precoce dei guasti dei cuscinetti e offrire utili indicazioni e spunti per ricercatori e professionisti nei campi correlati. Si spera che la strategia di diagnosi precoce dei guasti di parti rotanti proposta in questo studio possa migliorare l'affidabilità delle parti rotanti, ridurre i costi di manutenzione, migliorare il tasso di utilizzo dell'attrezzatura e apportare un contributo positivo all'industria e alla società. In primo luogo, è stata proposta una nuova strategia di soluzione del filtro inverso basata su un algoritmo di ottimizzazione, al fine di estrarre rapidamente il ripetersi del segnale di impulso dei guasti delle componenti rotanti, mirando alle carenze dei metodi di soluzione del filtro inverso come MED, OMEDA, MCKD e MOMEDA. In questo lavoro, le strategie di progettazione del filtro inverso basate sulla trasformazione generalizzata delle coordinate sferiche sono state prese come punto di riferimento per il confronto. Sono stati impiegati diversi algoritmi di ottimizzazione euristici combinati con MOMEDA per formare un metodo chiamato BFDS-MOMEDA per cercare il filtro inverso ottimale nello spazio dimensionale finito vincolato. Il metodo BFDS-MOMEDA supera il difetto della convergenza dei coefficienti del filtro causato dalla trasformazione generalizzata delle coordinate sferiche e realizza la progettazione del filtro inverso in modo più efficiente secondo la norma multi-D nello spazio limitato. In secondo luogo, mirando alla debolezza dell'energia dei segnali di guasto precoci, al fine di esplorare ulteriormente le componenti periodiche a impulsi nei segnali di guasto delle componenti rotanti, questo studio ha proposto un quadro di rilevamento che combina algoritmi di deconvoluzione cieca e di amplificazione lock-in, chiamato quadro BFDS-MOMEDA-LIA. Nel quadro, la deconvoluzione cieca viene utilizzata per estrarre efficientemente le componenti periodiche a impulsi e filtrare le informazioni indesiderate. La funzione di autocorrelazione (AC) viene utilizzata per identificare il periodo del segnale a impulsi di guasto, e l'ampiezza dell'armonica fondamentale del segnale a impulsi di guasto viene estratta in modo accurato e sensibile dall'amplificatore lock-in (LIA), che viene utilizzato come criterio di guasto precoce. Infine, secondo il quadro di rilevamento, è stata analizzata l'incertezza dei mezzi di rilevamento. In questo lavoro, l'ampiezza dei segnali di frequenza di guasto nei segnali di vibrazione viene misurata dall'amplificatore lock-in, e è stata discussa l'incertezza nel processo di misurazione dalle prospettive JCGM 100 e JCGM 101. Questo studio produce un'analisi quantitativa dell'incertezza dell'amplificatore lock-in, quantifica l'incertezza nel processo di diagnosi e fornisce indicazioni per futuri lavori potenziali. Per il quadro di rilevamento dei guasti precoci proposto in questo studio, è stato utilizzato un famoso set di dati per dimostrare l'efficacia del metodo. I risultati della simulazione e degli esperimenti mostrano che il quadro proposto in questo studio ha la capacità di identificare con precisione e robustezza i guasti precoci delle parti rotanti e ha un buon potenziale di applicazione industriale. In secondo luogo, il metodo proposto BFDS-MOMEDA può essere trasferito a una varietà di algoritmi di deconvoluzione cieca, ed è stata illustrata una metodologia per risolvere la deconvoluzione cieca utilizzando idee di ottimizzazione. Il metodo proposto BFDS-MOMEDA-LIA non è una semplice combinazione dei due metodi. Questo quadro di rilevamento viene discusso retrospettivamente nell'analisi dell'incertezza. BFDS-MOMEDA identifica con precisione il periodo del guasto senza partecipare alla quantificazione del grado di guasto, mentre LIA quantifica il grado di guasto in questo intervallo di frequenza senza essere influenzato dal bias dell'indicazione del periodo. Il metodo BFDS-MOMEDA-LIA utilizza i vantaggi unici dei due metodi, compensa i difetti potenziali e realizza in modo completo l'estrazione e la quantificazione delle informazioni sui guasti deboli precoci.