[論文レビュー] Gearbox Fault Detection through PSO Exact Wavelet Analysis and SVM Classifier

Amir Hosein Zamanian, Abdolreza Ohadi|arXiv (Cornell University)|Jan 1, 2010

Machine Fault Diagnosis Techniques参考文献 11被引用数 8

ひとこと要約

本稿では、モーレットウェーブレットとSVM分類を用いて、歯車ボックスの故障検出における特徴抽出を改善するPSO最適化型正確ウェーブレット変換を提案する。線形SVMを用いることで100%のテスト精度を達成し、GAベースの最適化と比較して計算時間を40倍短縮し、従来のCWTよりも優れた性能を示した。

ABSTRACT

Time-frequency methods for vibration-based gearbox faults detection have been considered the most efficient method. Among these methods, continuous wavelet transform (CWT) as one of the best time-frequency method has been used for both stationary and transitory signals. Some deficiencies of CWT are problem of overlapping and distortion ofsignals. In this condition, a large amount of redundant information exists so that it may cause false alarm or misinterpretation of the operator. In this paper a modified method called Exact Wavelet Analysis is used to minimize the effects of overlapping and distortion in case of gearbox faults. To implement exact wavelet analysis, Particle Swarm Optimization (PSO) algorithm has been used for this purpose. This method have been implemented for the acceleration signals from 2D acceleration sensor acquired by Advantech PCI-1710 card from a gearbox test setup in Amirkabir University of Technology. Gearbox has been considered in both healthy and chipped tooth gears conditions. Kernelized Support Vector Machine (SVM) with radial basis functions has used the extracted features from exact wavelet analysis for classification. The efficiency of this classifier is then evaluated with the other signals acquired from the setup test. The results show that in comparison of CWT, PSO Exact Wavelet Transform has better ability in feature extraction in price of more computational effort. In addition, PSO exact wavelet has better speed comparing to Genetic Algorithm (GA) exact wavelet in condition of equal population because of factoring mutation and crossover in PSO algorithm. SVM classifier with the extracted features in gearbox shows very good results and its ability has been proved.

研究の動機と目的

• 歯車ボックスの故障検出における連続ウェーブレット変換（CWT）の信号歪みと重複を軽減すること。
• モーレットウェーブレットを用いて最適化パラメータを削減することで、特徴抽出の効率を向上させること。
• 遺伝的アルゴリズム（GA）の代わりに粒子群最適化（PSO）を採用することで、正確ウェーブレット解析のプロセスを高速化すること。
• PSO最適化型正確ウェーブレット解析で抽出した特徴を用いたSVM分類器の分類性能を評価すること。
• 速度と正確性の観点から、PSOベースの正確ウェーブレット解析とGAベースのアプローチを比較すること。

提案手法

• 複数のウェーブレット形状パラメータではなく、スケールパラメータ（1–32）のみを最適化する、修正された正確ウェーブレット解析手法を採用する。
• インパルス応答に類似した特性と、パラメータ空間の縮小が期待できるため、モーレットウェーブレットをモーダルウェーブレットとして選択する。
• 各時間フレームにおける最適スケールを特定するために、粒子群最適化（PSO）を用い、ウェーブレットと信号の正規化内積を最小化する。
• 16のスケールレベルにわたるウェーブレット係数分布を抽出し、各信号セグメントに対して16次元の特徴ベクトルとして扱う。
• ラジアルベース関数（RBF）および線形サポートベクターマシン（SVM）分類器を60組の特徴セットで学習し、100組のセットでテストする。
• アルゴリズムは、アミルカビール工科大学の歯車ボックス試験装置に設置された2次元加速度計からのリアルタイム加速度データを用いてMATLABで実装された。

実験結果

リサーチクエスチョン

• RQ1 PSO最適化型正確ウェーブレット解析は、標準的なCWTと比較して、歯車ボックスの故障検出における特徴抽出の正確性を向上させることができるか？
• RQ2 モーレットウェーブレットを用いて最適化空間をスケールパラメータのみに制限することで、特徴品質を損なわず、計算効率が向上するか？
• RQ3 PSOとGAを比較した場合、正確ウェーブレットパラメータの最適化において、速度と解の質の観点でどちらが優れているか？
• RQ4 PSO-正確ウェーブレット解析で抽出した特徴を用いたSVM分類器は、健全な状態と歯の欠けた状態の歯車を効果的に区別できるか？
• RQ5 特徴セットは線形分離可能であるか？その場合、線形SVMによる高精度分類が可能になるか？

主な発見

• PSO最適化型正確ウェーブレット解析は、線形SVMを用いて100%のテスト精度を達成しており、特徴セットが線形分離可能であることを示している。
• RBF-SVMはσ = 1.5の条件下で100%のテスト精度を達成し、高い分類性能を確認した。
• PSOは、同程度の集団サイズを用いたGAベースの正確ウェーブレット解析と比較して、計算時間を約40倍短縮した。
• PSOの解はGAの解に近く、最適化性能にわずかな差異しかなく、収束がはるかに速かった。
• 信号歪みや重複効果を最小限に抑えることで、標準的なCWTに比べて特徴抽出の性能が優れていた。
• 高い正確性を達成したが、処理負荷が非常に高いため、実時間応用には不適切であると判明した。