A deep learning-based framework for fault diagnosis and localization on acoustic signals in multi-machine environment

In industrial environments where multiple machines operate simultaneously , accurately diagnosing and locating faults is a considerable challenge due to numerous reasons such as overlapping acoustic signals, background noise. This thesis proposes a novel approach to multi-machine fault diagnosis and localization with employing machine learning and advanced feature engineering on acoustic signals. The suggested approach utilizes Pyroomacoustics to create a multi-source sound environment and to produce labelled data that includes information about machine locations and fault conditions. These simulated scenarios allow that replicate real-world complexities and establish a robust training dataset. The acoustic data undergoes feature extraction using Short-Time Fourier Transform (STFT), which emphasizes spectral features essential for fault identification. The features are then input into a deep learning method to enable accurate classification of fault types of the fault source within the environment. Through extensive testing and validation, this study demonstrates that the integration of STFT-based feature extraction, and CNN-based classification achieves 80% localization accuracy in complex environments. Compared to traditional approaches, this method provides a scalable solution for real-time fault diagnosis and localization, effectively addressing the complexities associated with multi-machine environments. The framework developed here is not only robust in identifying faults but also adaptable to varying noise conditions and machine configurations, making it suitable for diverse industrial applications. This research contributes to the advancement of predictive maintenance by offering a real-time, intelligent diagnostic system capable of detecting and localizing faults even in acoustically challenging settings. By reducing unplanned downtime and improving response times to machine failures, the proposed system could lead to substantial cost savings and safety enhancements in high-stakes industries. The findings contribute future research in multi-machine fault diagnosis and localization and open new avenues for deploying machine learning in complex industrial environments, where reliability and efficiency are critical.

In ambienti industriali dove più macchine operano contemporaneamente, diagnosticare e localizzare accuratamente i guasti rappresenta una sfida significativa a causa di diversi fattori, come segnali acustici sovrapposti e rumore di fondo. Questa tesi propone un approccio innovativo per la diagnosi e la localizzazione dei guasti in un contesto multi-macchina, utilizzando il machine learning e tecniche avanzate di feature engineering sui segnali acustici. L’approccio suggerito utilizza Pyroomacoustics per creare un ambiente sonoro multi-sorgente e produrre dati etichettati che includono informazioni sulla posizione delle macchine e sulle condizioni di guasto. Questi scenari simulati replicano la complessità del mondo reale e consentono di stabilire un dataset di addestramento robusto. I dati acustici vengono sottoposti a estrazione di caratteristiche tramite la Trasformata di Fourier a Breve Termine (STFT), che enfatizza le caratteristiche spettrali essenziali per l’identificazione dei guasti. Le caratteristiche estratte sono poi inserite in un metodo di deep learning per consentire la classificazione accurata dei tipi di guasto e l’identificazione della loro posizione all'interno dell'ambiente. Attraverso test e validazioni approfondite, questo studio dimostra che l'integrazione dell'estrazione delle caratteristiche basata su STFT e della classificazione basata su CNN raggiunge l’80% di accuratezza nella localizzazione in ambienti complessi. Rispetto agli approcci tradizionali, questo metodo fornisce una soluzione scalabile per la diagnosi e la localizzazione dei guasti in tempo reale, affrontando efficacemente le complessità associate agli ambienti multi-macchina. Il framework sviluppato non solo si dimostra robusto nell’identificazione dei guasti, ma anche adattabile a diverse condizioni di rumore e configurazioni delle macchine, rendendolo adatto per varie applicazioni industriali. Questa ricerca contribuisce al progresso della manutenzione predittiva offrendo un sistema diagnostico intelligente e in tempo reale, capace di rilevare e localizzare i guasti anche in ambienti acusticamente complessi. Riducendo i tempi di fermo non pianificati e migliorando i tempi di risposta ai guasti delle macchine, il sistema proposto potrebbe portare a significativi risparmi sui costi e miglioramenti della sicurezza in settori ad alto rischio. I risultati contribuiscono alla ricerca futura nella diagnosi dei guasti in contesti multi-macchina e aprono nuove prospettive per l'impiego del machine learning in ambienti industriali complessi, dove affidabilità ed efficienza sono cruciali.