Vibration-fault detection in electrical cylinders via one-class classification

A reliable predictive maintenance framework can provide substantial advantages in industrial automation. Within this context, fault detection represents a fundamental step toward improving operational reliability, reducing maintenance costs, and enhancing overall safety. This thesis, commissioned by Camozzi S.p.A., presents the development, implementation, and validation of a complete vibration-based fault-detection pipeline. To satisfy the company’s constraints and requirements, an efficient and computationally lightweight real-time processing architecture was designed. The pipeline integrates a signal pre-processing stage–including the fast Fourier transform and the scale marginal integration of the continuous wavelet transform–with the subsequent step of feature extraction from the processed data. Three feature-selection strategies—Relief, the fast correlation-based filter, and the minimum redundancy–maximum relevance criterion—were employed to identify the most informative feature subset for the task. Two one-class novelty-detection classifiers, namely the one-class support vector machine and the gaussian mixture model one-class classifier, were selected and tuned to identify faulty conditions. To mitigate overfitting and improve generalization, a data-augmentation procedure was introduced. This strategy proved effective in enhancing classifier robustness without requiring large, heterogeneous datasets or retraining under varied operating conditions. The proposed pipeline achieved near-optimal performance in distinguishing between healthy and faulty electromechanical cylinders. Furthermore, the method demonstrated strong robustness, maintaining high accuracy when tested on data acquired from different experimental setups without retraining. These results highlight the pipeline’s potential applicability in real-world industrial environments, where variations in operating and measurement conditions are frequently encountered.

Una efficace architettura di manutenzione predittiva può offrire vantaggi significativi nel settore dell’automazione industriale. In questo contesto, il rilevamento dei guasti rappresenta un passaggio fondamentale per migliorare l’affidabilità operativa, ridurre i costi di manutenzione e aumentare la sicurezza complessiva. Questa tesi, commissionata da Camozzi S.p.A., presenta lo sviluppo, l’implementazione e la validazione di una pipeline per il rilevamento dei guasti basata sull’ analisi delle vibrazioni. Per soddisfare i vincoli e i requisiti aziendali, è stata progettata un’architettura efficiente e a basso carico computazionale in grado di elaborare dati in tempo reale. La pipeline integra una fase di pre-processamento del segnale—comprendente la fast Fourier transform e la scale marginal integration della continuous wavelet transform—seguita dalla fase di estrazione delle feature dai dati elaborati. Tre strategie di selezione delle feature—Relief, fast correlation-based filter e minimum redundancy–maximum relevance criterion—sono state impiegate per identificare il sottoinsieme di feature più informative per il compito. Due classificatori a una classe per il rilevamento di anomalie, nello specifico la one-class support vector machine e il gaussian mixture model one-class classifier, sono stati selezionati e ottimizzati per l'identificazione di condizioni di guasto. Per mitigare l’overfitting e migliorare la capacità di generalizzazione, è stata introdotta una procedura di data augmentation. Questa strategia si è dimostrata efficace nel migliorare la robustezza dei classificatori, senza richiedere né un archivio dati di grandi dimensioni raccolto in condizioni operative eterogenee, né allenamenti multipli dei calssificatori. La pipeline proposta ha ottenuto prestazioni prossime all’ottimo nel distinguere lo stato di salute dei cilindri elettromeccanici. Inoltre, il metodo ha mostrato un’elevata robustezza, mantenendo un’alta accuratezza quando applicato a dati provenienti da setup sperimentali diversi, senza necessitare un ulteriore allenamento dei classificatori. Questi risultati evidenziano la potenziale applicabilità dell’approccio in contesti industriali reali, dove variazioni delle condizioni operative o di misura sono comuni.