[論文レビュー] Computational Intelligence for Condition Monitoring

Tshilidzi Marwala, Christina B. Vilakazi|arXiv (Cornell University)|May 17, 2007

Machine Fault Diagnosis Techniques参考文献 52被引用数 4

ひとこと要約

本稿では、特徴抽出（フラクタル、尖度、MFCC）と分類（SVM、HMM、GMM、ENN）を用いた計算知能フレームワークを提案し、軸受の故障を検出するための機械状態監視を実現する。複数の手法において優れた性能を示しており、特にSVMとHMMが実世界の振動データにおいて顕著な効果を発揮した。

ABSTRACT

Condition monitoring techniques are described in this chapter. Two aspects of condition monitoring process are considered: (1) feature extraction; and (2) condition classification. Feature extraction methods described and implemented are fractals, Kurtosis and Mel-frequency Cepstral Coefficients. Classification methods described and implemented are support vector machines (SVM), hidden Markov models (HMM), Gaussian mixture models (GMM) and extension neural networks (ENN). The effectiveness of these features were tested using SVM, HMM, GMM and ENN on condition monitoring of bearings and are found to give good results.

研究の動機と目的

• 機械的システムの効果的な状態監視のための統合的計算知能手法の開発。
• 振動信号からの故障関連パターンを捉えるために、さまざまな特徴抽出技術の有効性の評価。
• 抽出された特徴に基づいて機械の健全状態を特定する、複数の分類アルゴリズムの性能比較。
• 回転機器（特に軸受）における早期故障検出のための堅牢でデータ駆動型のソリューションの提供。
• 複数の性能指標を用いて、実世界の軸受状態監視データに対する提案フレームワークの妥当性の検証。

提案手法

• 信号の複雑さと不規則性を定量化するためのフラクタル次元を用いた特徴抽出。
• 非ガウス的特性を検出するための尖度の応用。これは、潜在的な故障を示す。
• 振動信号のスペクトルエンVELOープ特徴を表現するためのメル周波数ケプストラム係数（MFCC）の抽出。
• 二値および多クラスの故障検出のためのサポートベクターマシン（SVM）を用いた分類。
• 振動シーケンス内の時間的ダイナミクスをモデル化するための隠れマルコフモデル（HMM）の使用。
• 異なる故障状態における特徴分布の確率的モデリングのためのガウス・ミックスチャネル・モデル（GMM）の実装。
• 複雑なパターン認識タスクのための非線形分類器として拡張ニューラルネットワーク（ENN）の使用。

実験結果

リサーチクエスチョン

• RQ1 フラクタル、尖度、またはMFCCのうち、どの特徴抽出手法が軸受振動信号における故障関連情報を最も効果的に捉えているか？
• RQ2 SVM、HMM、GMM、ENNといった異なる分類器は、抽出された特徴に基づいて軸受状態を分類する際に、どのように性能を発揮するか？
• RQ3 提案された計算知能フレームワークの相対的正確性は、機械的故障検出においてどの程度か？
• RQ4 特徴抽出と分類手法の組み合わせは、信頼性があり一貫性のある状態監視結果を達成できるか？
• RQ5 産業用軸受からのノイズの多い実世界の振動データに適用した場合、選択された手法はどの程度の耐障害性を示すか？

主な発見

• MFCC特徴とSVMおよびHMM分類器の組み合わせが、軸受故障の検出において最高の分類精度を達成した。
• 尖度は、特に初期段階の欠陥に対して、インパルス的故障シグネチャを効果的に特定できた。
• フラクタル次元は、信号の複雑さを有用に測定し、機械状態の変化に敏感であった。
• サポートベクターマシンは、異なる故障クラスおよびノイズレベルにおいて優れた一般化性能を示した。
• 隠れマルコフモデルは、振動データ内の時間的パターンを効果的に捉え、静的特徴セットよりも分類性能を向上させた。
• 全体としてのフレームワークは、複数のテストケースにおいて信頼性のある故障検出を達成し、計算知能を用いた状態監視の実現可能性を確認した。