Ταξινόμηση Βλαβών Ένσφαιρων Τριβέων με την Εφαρμογή Μη Παραμετρικών Μεθόδων Εκτίμησης Πυκνότητας Πιθανότητας

Abstract

Η παρούσα μεταπτυχιακή διπλωματική εργασία εντάσσεται στην ευρύτερη περιοχή της προβλεπτικής και διαγνωστικής συντήρησης μηχανολογικού εξοπλισμού και ειδικότερα εστιάζει στη διαγνωστική βλαβών ένσφαιρων τριβέων (ρουλεμάν). Το συγκεκριμένο είδος εξοπλισμού χρησιμοποιείται σε μεγάλο εύρος εφαρμογών, οπότε η επιτυχής ανίχνευση φθορών σε αρχικό στάδιο και η έγκαιρη διορθωτική παρέμβαση οδηγούν σε βελτίωση των σταδίων της παραγωγής, μείωση του χρόνου αποκατάστασης και σημαντικά οικονομικά οφέλη. Η διαγνωστική διαδικασία αντιμετωπίζεται ως ένα γενικότερο πρόβλημα ταξινόμησης από πληθώρα “αυτόματων” διαγνωστικών μεθόδων που έχουν αναπτυχθεί τα τελευταία χρόνια. Στα πλαίσια της παρούσης εργασίας ακολουθείται η ίδια προσέγγιση και προτείνονται δύο διαγνωστικές τεχνικές, η μέθοδος των κ πλησιέστερων γειτόνων (k nearest neighbors-kNN) και η μέθοδος των Πιθανολογικών Νευρωνικών Δικτύων (Probabilistic Neural Networks-PNN). Οι παραπάνω μέθοδοι επιλύουν το διαγνωστικό πρόβλημα υπολογίζοντας τις πιθανότητες για υγιή λειτουργία ή εμφάνιση κάποιας βλάβης. Ο υπολογισμός των πιθανοτήτων επιτυγχάνεται μέσω μη παραμετρικών μεθόδων εκτίμησης της πυκνότητας πιθανότητας. Τα δεδομένα που χρησιμοποιούνται αποτελούνται από πραγματικά και προσομοιωμένα χρονικά σήματα κραδασμών μαζί με τις περιβάλλουσες τους και τα αντίστοιχα φάσματα. Από τα σήματα αυτά εξάγονται κατάλληλες διαγνωστικές παράμετροι, τόσο στο πεδίο του χρόνου (στατιστικές παράμετροι) όσο και στο πεδίο των συχνοτήτων (ενεργειακοί δείκτες κραδασμών), που αποτελούν τη διαχειρίσιμη πληροφορία των προτεινόμενων διαγνωστικών μεθόδων σχηματίζοντας αντίστοιχα διανύσματα τιμών. Οι παράμετροι που προέρχονται από τα προσομοιωμένα σήματα αφιερώνονται για την εκπαίδευση των προτεινόμενων μεθόδων ενώ αυτές που προέρχονται από τα πραγματικά σήματα χρησιμοποιούνται στην αξιολόγηση της αποτελεσματικότητας των μεθόδων. Για τους σκοπούς της παρούσης εργασίας έχουν θεωρηθεί δεδομένα που αφορούν υγιή λειτουργία όπως επίσης και δεδομένα που αφορούν βλάβη στον εξωτερικό καθώς και στον εσωτερικό δακτύλιο. Η διαγνωστική διαδικασία χωρίζεται σε δύο ανεξάρτητα μεταξύ τους στάδια. Στο πρώτο στάδιο γίνεται ανίχνευση της γενικότερης κατάστασης του εξεταζόμενου ένσφαιρου τριβέα, δηλαδή αν παρουσιάζει υγιή λειτουργία ή λειτουργία με βλάβη. Το δεύτερο στάδιο εκτελείται μόνο στην περίπτωση βλάβης, όπου σκοπός είναι να προσδιοριστεί το είδος της. Οι δύο προτεινόμενες μέθοδοι αναπτύσσονται και στα δύο στάδια διάγνωσης, ενώ η υλοποίησή τους γίνεται ξεχωριστά για τα δύο είδη παραμέτρων που έχουν οριστεί προηγουμένως. Λόγω του μεγάλου αριθμού των στατιστικών παραμέτρων εφαρμόζονται δύο διαφορετικές τεχνικές μείωσης της διάστασης των διανυσμάτων τους, κάτι που δεν ακολουθείται όμως στην περίπτωση των ενεργειακών δεικτών. Η ανάπτυξη της kNN μεθόδου περιλαμβάνει και μία παραμετρική μελέτη με σκοπό την εύρεση της βέλτιστης αρχιτεκτονικής της, έχοντας ως κριτήριο τη διαγνωστική επίδοση. Τέλος, δίνονται τα συμπεράσματα που εξήχθησαν από τη μελέτη που διεξήχθη καθώς και προτάσεις για περαιτέρω διερεύνηση.

The current M.Sc. thesis falls in the area of predictive and diagnostic maintenance of mechanical equipment and more specifically to that of ball bearing diagnosis. This kind of machine element covers a broad range of industrial applications and the ability to detect accurately the presence of early faults can lead to an improvement to the productivity, reduction of downtime and economical benefits. Fault diagnosis is treated as a problem of pattern recognition and a plethora of automated diagnostic methods have been developed the past few years. For the purposes of the current work, two diagnostic techniques are proposed, namely the k nearest neighbors and the Probabilistic Neural Network. These methods provide their final conclusion through the calculation of probabilities for healthy operation or fault occurrence. This calculation is achieved by means of non parametric probability density estimation. The utilized data consist of real and simulated raw vibration signals together with their corresponding envelope signals and power spectrums. They correspond to healthy bearing operation, operation with an outer race fault as well as operation with an inner race fault. Feature extraction is performed in order to acquire appropriate diagnostic parameters. More precisely, time-domain statistical parameters and frequency-domain vibration energies are selected and fed to the proposed diagnostic methods above. The parameters that originate from the simulated signals are used for the training of the methods while the parameters from the real signals are utilized for the validation procedure. The diagnostic task is separated in two independent stages. The first one is focused to the bearing condition detection, that is if it presents healthy or faulty operation. The second stage is executed in case of faulty operation and its purpose is to identify the kind of fault. The two diagnostic methods are implemented for both stages and their implementation is done for both types of the extracted diagnostic parameters. Also, in the case of the statistical parameters, two dimensionality reduction techniques are introduced. During the development of the kNN method a parametric study is performed in order to find an optimized architecture based on the diagnostic efficiency. Finally, the conclusions drawn from the above study together with recommendations for future research are provided.