[論文レビュー] HUST bearing: a practical dataset for ball bearing fault diagnosis

Nguyễn Đức Thuận, Hoang Hong|arXiv (Cornell University)|Feb 24, 2023

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本論文は、6種類の欠陥タイプと5種類の軸受タイプ、3種類の運転条件を有するボール軸受からの90件の高周波（51,200 Hz）振動信号を含む包括的なHUST軸受データセットを紹介する。研究では古典的機械学習および非教師あり転移学習手法の評価を行い、故障分類で最大100％の正確性、転移学習タスクで60–80％の性能を達成した。これは、このデータセットが状態監視研究に有用であることを示している。

ABSTRACT

In this work, we introduce a practical dataset named HUST bearing, that provides a large set of vibration data on different ball bearings. This dataset contains 90 raw vibration data of 6 types of defects (inner crack, outer crack, ball crack, and their 2-combinations) on 5 types of bearing at 3 working conditions with the sample rate of 51,200 samples per second. We established the envelope analysis and order tracking analysis on the introduced dataset to allow an initial evaluation of the data. A number of classical machine learning classification methods are used to identify bearing faults of the dataset using features in different domains. The typical advanced unsupervised transfer learning algorithms also perform to observe the transferability of knowledge among parts of the dataset. The experimental results of examined methods on the dataset gain divergent accuracy up to 100% on classification task and 60-80% on unsupervised transfer learning task.

研究の動機と目的

• 状態監視分野における再現可能性の高い研究を支援するため、公開可能で高精細なボール軸受故障診断用データセットを提供すること。
• 実世界の軸受振動データに対して、古典的機械学習および非教師あり転移学習手法の性能を評価すること。
• 特徴抽出および故障検出のためのエンベロープ分析とオーダートラッキング分析を用いて、ベースライン結果を確立すること。
• 異なる欠陥タイプおよび運転条件間での学習済み表現の転送可能性を評価すること。
• 標準的で多様かつ現実的なデータセットを用いて、新規アルゴリズムのベンチマーク化を可能にすること。

提案手法

• 本データセットは、5種類の軸受タイプに6種類の欠陥タイプ（内輪亀裂、外輪亀裂、ボール亀裂、およびそれらの2通りの組み合わせ）を有する90件の原始的振動信号から構成され、1秒間に51,200サンプルで収集された。
• 故障関連特徴を抽出するために、エンベロープ分析とオーダートラッキングが振動信号に適用された。
• 時間領域、周波数領域、および時間周波数領域からのハンドクラフト特徴量を用いて、古典的機械学習分類器が訓練された。
• 異なる欠陥タイプおよび運転条件間での知識転送の程度を評価するために、高度な非教師あり転移学習モデルが評価された。
• 異なる軸受タイプ、欠陥タイプ、および回転速度の間で交差検証が可能になるように、データセットが構造化された。
• すべての実験は、手法の一般化性および頑健性を評価するために、全データセットを対象として実施された。

実験結果

リサーチクエスチョン

• RQ1 時間領域、周波数領域、時間周波数領域からの特徴抽出を用いた古典的機械学習手法は、ボール軸受の故障分類において高い正確性を達成できるか？
• RQ2 非教師あり転移学習モデルは、異なる軸受タイプおよび欠陥構成間でどの程度一般化できるか？
• RQ3 エンベロープ分析とオーダートラッキング分析は、高サンプリングレートの振動信号において故障関連成分を効果的に抽出できるか？
• RQ4 本データセットにおいて、教師あり学習と非教師あり学習アプローチの間には、どの程度の性能差が生じるか？
• RQ5 実世界の軸受振動データにおいて、異なる欠陥タイプおよび運転条件間での学習済み表現の転送性はどの程度か？

主な発見

• 教師あり機械学習手法は、HUST軸受データセットで分類正確度が最大100％に達した。これは、抽出された特徴量の強力な識別能力を示している。
• 非教師あり転移学習手法は、60–80％の正確度を達成した。これは、欠陥タイプ間で部分的だが有意義な知識転送が可能であることを示している。
• エンベロープ分析は、特にボールやレースの亀裂といった局所的欠陥に対して、故障関連インパルスを効果的に強調した。
• オーダートラッキング分析は、特に可変速度条件下で、回転速度関連の故障成分を抽出する上で有益であった。
• 本データセットは多様な実験設定を可能にし、教師ありおよび自己教師あり学習手法の強固な評価を可能にしている。
• 本データセットの高サンプリングレート（51,200 Hz）は、詳細な故障サインチャの分析を可能にし、高度な信号処理およびディープラーニング研究を支援している。