Title: | Gearbox fault classification using dictionary sparse based representations of vibration signals |
Other Titles: | Clasificación de fallas de la caja de engranajes usando representaciones dispersas basadas en diccionario de señales de vibración |
Authors: | Medina, Rubén Jadan Aviles, Diana Carolina Alvarez Palomeque, Lourdes Ximena Macancela Poveda, Jean Carlo Sánchez Loja, René Vinicio Cerrada Lozada, Mariela |
metadata.dc.ucuenca.correspondencia: | Medina, Rubén, ruben.djmedina@ieee.org |
Keywords: | Dictionary learning Sparse representation Vibration signal Gearbox fault Feature extraction |
metadata.dc.ucuenca.areaconocimientofrascatiamplio: | 2. Ingeniería y Tecnología |
metadata.dc.ucuenca.areaconocimientofrascatidetallado: | 2.11.2 Otras Ingenierias y Tecnologías |
metadata.dc.ucuenca.areaconocimientofrascatiespecifico: | 2.11 Otras Ingenierias y Tecnologías |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 07 - Ingeniería, Industria y Construcción |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 0711 - Ingeniería y Procesos Químicos |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 071 - Ingeniería y Profesiones Afines |
Issue Date: | 2018 |
metadata.dc.ucuenca.embargoend: | 31-Dec-2050 |
metadata.dc.ucuenca.volumen: | Volumen 34, número 6 |
metadata.dc.source: | IOS Press |
metadata.dc.identifier.doi: | 10.3233/JIFS-169537 |
metadata.dc.type: | ARTÍCULO |
Abstract: | Fault detection in rotating machinery is important for optimizing maintenance chores and avoiding severe damages to other parts. Signal processing based fault detection is usually performed by considering classical techniques for alternative representation of significant signals in time domain, frequency domain or time-frequency domain. An approach based on dictionary learning for sparse representations of vibration signals aiming at gearbox fault detection and classification is proposed. A gearbox signal dataset with 900 records considering the normal case and nine fault classes is analyzed. A dictionary is learned by using a training set of signals from the normal case. This dictionary is used for obtaining the sparse representation of signals in the test set and the norm metric is used to measure the residual from the sparse representation. The extracted features are useful for machine learning based fault detection. The analysis is performed considering different load conditions. ANOVA statistical analysis shows that there are significant differences between features in the normal case and each of the faulty classes, and best ranked features form well separated clusters. An experiment of fault classification is developed using a support vector machine for multi-class classification of faults. The accuracy obtained is 95.1% in the cross-validation testing. |
Description: | La detección de fallas en maquinaria rotativa es importante para optimizar las tareas de mantenimiento y evitar daños severos a otras partes. La detección de fallas basada en el procesamiento de señales se realiza generalmente considerando técnicas clásicas para la representación alternativa de señales significativas en el dominio del tiempo, fredominio de frecuencia o dominio de tiempo-frecuencia. Se propone un enfoque basado en el aprendizaje de diccionarios para representaciones dispersas de señales de vibración con el objetivo de detectar y clasificar fallas en la caja de cambios. Se analiza un conjunto de datos de señales de caja de cambios con 900 registros considerando el caso normal y nueve clases de fallas. Un diccionario se aprende usando un conjunto de entrenamiento de señales del caso normal. Este diccionario se usa para obtener la representación dispersa de señales en el conjunto de prueba y la métrica de la norma se usa para medir el residual de la representación dispersa. Las características extraídas son útiles para la detección de fallas basada en el aprendizaje automático. El análisis se realiza considerando diferentes condiciones de carga. El análisis estadístico ANOVA muestra que existen diferencias significativas entre las características en el caso normal y cada una de las clases defectuosas, y las características mejor clasificadas forman grupos bien separados. Se desarrolla un experimento de clasificación de fallas utilizando una máquina de vectores de soporte para la clasificación de fallas de múltiples clases. La precisión obtenida es del 95,1% en las pruebas de validación cruzada. |
URI: | https://content.iospress.com/articles/journal-of-intelligent-and-fuzzy-systems/ifs169537?resultNumber=0&totalResults=1&start=0&q=author%3A%28%22Medina%2C+Ruben%22%29&resultsPageSize=10&rows=10 |
metadata.dc.ucuenca.urifuente: | https://content.iospress.com/journals/journal-of-intelligent-and-fuzzy-systems/34/6 |
ISSN: | 1064-1246, e 1875-8967 |
Appears in Collections: | Artículos
|
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.