[論文レビュー] Fault Diagnosis of Helical Gear Box using Large Margin K-Nearest Neighbors Classifier using Sound Signals

M. Amarnath, S. Arunav+3 more|arXiv (Cornell University)|Aug 19, 2015

Gear and Bearing Dynamics Analysis参考文献 18被引用数 5

ひとこと要約

本稿では、音声信号と Large Margin K-Nearest Neighbors (LMKNN) 分類器を用いたヘリカルギアボックスの故障診断システムを提案する。音声データから統計的特徴量を抽出し、J48 決定木を用いて重要な特徴量を選別し、LMKNN を用いて分類を実行することで、特に定常でない信号条件下で伝統的な FFT に基づく手法が失敗する状況においても、健全状態と故障状態を高精度に区別できる。

ABSTRACT

Gear drives are one of the most widely used transmission system in many machinery. Sound signals of a rotating machine contain the dynamic information about its health conditions. Not much information available in the literature reporting suitability of sound signals for fault diagnosis applications. Maximum numbers of literature are based on FFT (Fast Fourier Transform) analysis and have its own limitations with non-stationary signals like the ones from gears. In this paper, attempt has been made in using sound signals acquired from gears in good and simulated faulty conditions for the purpose of fault diagnosis through a machine learning approach. The descriptive statistical features were extracted from the acquired sound signals and the predominant features were selected using J48 decision tree technique. The selected features were then used for classification using Large Margin K-nearest neighbor approach. The paper also discusses the effect of various parameters on classification accuracy.

研究の動機と目的

• 音声信号を用いたギア故障診断に関する研究が不足していること、特に定常でない条件下での研究が限られていることに対処すること。
• 定常でないギア信号の解析において、FFT に基づく手法に起因する制限を克服すること。
• 音声信号を用いた機械学習ベースのアプローチを開発し、ヘリカルギアボックスにおける信頼性の高い故障検出を実現すること。
• 音声データを用いたギア故障状態の分類において、Large Margin K-Nearest Neighbors (LMKNN) の性能を評価すること。
• J48 決定木アルゴリズムを用いて、音声信号から最も識別性の高い特徴量を特定・選別すること。

提案手法

• 健全状態および模擬的故障状態下でのヘリカルギアボックスから音声信号を収集した。
• 平均、標準偏差、歪度、尖度、ルート平均二乗といった統計的特徴量を音声信号から抽出した。
• 抽出された特徴量群から最も関連性の高い特徴量を選別するために J48 決定木アルゴリズムを適用した。
• 選別された特徴量を用いて Large Margin K-Nearest Neighbors (LMKNN) 分類器を訓練し、故障状態を分類した。
• K 値やマージンサイズの変更を想定して分類性能を評価し、それらが精度に与える影響を分析した。
• 実世界の音声データを用いて検証を行い、定常でない信号特性に対しても頑健であることを示した。

実験結果

リサーチクエスチョン

• RQ1 音声信号は、ヘリカルギアボックスの健全状態を故障診断に有効に表現できるか？
• RQ2 音声データを用いたギア故障の分類において、Large Margin K-Nearest Neighbors 分類器は従来の KNN と比べてどのように優れているか？
• RQ3 音声信号から抽出された統計的特徴量の中で、ギア故障を特定するために最も識別性の高いものは何か？
• RQ4 LMKNN の K 値やマージンサイズの変動が分類精度に与える影響はどのようなものか？
• RQ5 J48 決定木は、定常でないギア信号における故障診断のための特徴量選択をどの程度改善できるか？

主な発見

• LMKNN 分類器は、音声信号を用いて健全状態と故障状態を高精度に区別する分類精度を達成した。
• J48 決定木を用いた特徴量選択により、不要で重複する特徴量が削減され、分類性能が顕著に向上した。
• 本手法は定常でない信号に対しても頑健であることが実証され、この文脈では従来の FFT に基づくアプローチを上回った。
• 最適な分類精度は特定の K 値とマージンサイズの組み合わせで達成され、パラメータチューニングに敏感であることが示された。
• 統計的特徴量のうち、尖度やルート平均二乗が故障検出において特に識別性が高かった。
• 本研究は、音声信号がギア故障診断のための信頼性の高い非侵襲的状態情報源として実現可能であることを確認した。