Title: | Feature engineering based on ANOVA, cluster validity assessment and KNN for fault diagnosis in bearings |
Other Titles: | |
Authors: | Peña Ortega, Mario Patricio Cerrada, Mariela Alvarez Palomeque, Lourdes Ximena Jadan Aviles, Diana Carolina Lucero, Pablo M Barragan Landy, Milton Francisco Guaman Guachichullca, Noe Rodrigo Sánchez, René Vinicio |
metadata.dc.ucuenca.correspondencia: | Cerrada, Mariela, mcerrada@ups.edu.ec |
Keywords: | Anova Bearings Cluster Validity Assessment Fault Diagnosis Feature Engineering Knn |
metadata.dc.ucuenca.areaconocimientofrascatiamplio: | 2. Ingeniería y Tecnología |
metadata.dc.ucuenca.areaconocimientofrascatidetallado: | 2.3.1 Ingeniería Mecánica |
metadata.dc.ucuenca.areaconocimientofrascatiespecifico: | 2.3 Ingeniería Mecánica |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 07 - Ingeniería, Industria y Construcción |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 0715 - Mecánica y Metalurgia |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 071 - Ingeniería y Profesiones Afines |
Issue Date: | 2018 |
metadata.dc.ucuenca.embargoend: | 27-Aug-2050 |
metadata.dc.ucuenca.volumen: | volumen 34, número 6 |
metadata.dc.source: | Journal of Intelligent and Fuzzy Systems |
metadata.dc.identifier.doi: | 10.3233 / JIFS-169525 |
metadata.dc.type: | ARTÍCULO |
Abstract: | The number of features for fault diagnosis in rotating machinery can be large due to the different available signals containing useful information. From an extensive set of available features, some of them are more adequate than other ones, to classify properly certain fault modes. The classic approach for feature selection aims at ranking the set of original features; nevertheless, in feature selection, it has been recognized that a set of best individually features does not necessarily lead to good classification. This paper proposes a framework for feature engineering to identify the set of features which can yield proper clusters of data. First, the framework uses ANOVA combined with Tukey's test for ranking the significant features individually; next, a further analysis based on inter-cluster and intra-cluster distances is accomplished to rank subsets of significant features previously identified. Our contribution aims at discovering the subset of features that discriminates better the clusters of data associated to several faulty conditions of the mechanical devices, to build more robust multi-fault classifiers. Fault severity classification in rolling bearings is studied to verify the proposed framework, with data collected from a test bed under real conditions of speed and load on the rotating device. © 2018 - IOS Press and the authors. All rights reserved. |
Description: | El número de características para el diagnóstico de fallas en maquinaria rotativa puede ser grande debido a las diferentes señales disponibles que contienen información útil. De un amplio conjunto de características disponibles, algunas de ellas son más adecuadas que otras, para clasificar adecuadamente ciertos modos de falla. El enfoque clásico para la selección de características tiene como objetivo clasificar el conjunto de características originales; sin embargo, enselección de características, se ha reconocido que un conjunto de mejores características individuales no necesariamente conduce a una buena clasificación. Este documento propone un marco para la ingeniería de características para identificar el conjunto de características que pueden producir grupos de datos adecuados. Primero, el marco utiliza ANOVA combinado con la prueba de Tukey para clasificar las características significativas individualmente; a continuación, se realiza un análisis adicional basado en las distancias entre grupos y dentro del grupo para clasificar subconjuntos de características significativas previamente identificadas. Nuestra contribución tiene como objetivo descubrir el subconjunto de características que discrimina mejor los grupos de datos asociados a varias condiciones defectuosas de los dispositivos mecánicos, para construir clasificadores de fallas múltiples más robustos. Clasificación de gravedad de fallas enlos rodamientos se estudian para verificar el marco propuesto, con datos recopilados de un banco de pruebas en condiciones reales de velocidad y carga en el dispositivo giratorio. |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/33331 https://www.scopus.com/record/display.uri?eid=2-s2.0-85049382824&doi=10.3233%2fJIFS-169525&origin=inward&txGid=ad5f3dd705af4eb8a7e0f4ae3849b487#corrAuthorFooter |
metadata.dc.ucuenca.urifuente: | https://www.iospress.nl/journal/journal-of-intelligent-fuzzy-systems/ |
ISSN: | 1064-1246, 1875-8967 (online) |
Appears in Collections: | Artículos
|
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.