[논문 리뷰] HUST bearing: a practical dataset for ball bearing fault diagnosis

Nguyễn Đức Thuận, Hoang Hong|arXiv (Cornell University)|2023. 02. 24.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 논문은 51,200 Hz의 고주파수(51,200 Hz) 진동 신호 90건을 포함하는 HUST rolling bearing 데이터셋을 소개한다. 이 데이터셋은 5종의 베어링 유형과 3가지 운전 조건에서 6종의 결함 유형(내경 균열, 외경 균열, 볼 균열 및 이들의 2조합)을 포함한다. 연구에서는 고전적 기계학습 및 비지도 전이학습 방법을 평가하여 결함 분류 작업에서 최대 100%의 정확도와 전이학습 과제에서 60–80%의 성능를 기록하였다. 이는 데이터셋이 상태 모니터링 연구에 유용하다는 것을 보여준다.

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.

연구 동기 및 목표

• 조건 모니터링 분야의 재현 가능 연구를 지원하기 위해 공개 가능하고 고해상도의 베어링 결함 진단 데이터셋을 제공하는 것.
• 실제 베어링 진동 데이터에서 고전적 기계학습 및 비지도 전이학습 방법의 성능을 평가하는 것.
• 특징 추출 및 결함 탐지에 대해 엔벨로프 분석과 오더 트래킹 분석을 이용한 기준 결과를 수립하는 것.
• 다양한 결함 유형과 운전 조건 간에 학습된 표현의 이식 가능성(transferability)을 평가하는 것.
• 표준화되고 다양한 종류의 실제 데이터셋을 통해 새로운 알고리즘의 벤치마크를 가능하게 하는 것.

제안 방법

• 데이터셋은 5종의 베어링 유형에서 6종의 결함 유형(내경 균열, 외경 균열, 볼 균열 및 이들의 2조합)에 대해 51,200 샘플/초 속도로 수집한 총 90건의 원시 진동 신호로 구성되어 있다.
• 진동 신호에서 결함 관련 특징을 추출하기 위해 엔벨로프 분석과 오더 트래킹을 적용하였다.
• 시간 도메인, 주파수 도메인, 시간-주파수 도메인에서 수작업으로 추출한 특징을 기반으로 고전적 기계학습 분류기를 훈련시켰다.
• 다른 결함 유형과 운전 조건 간 지식 전이의 가능성을 평가하기 위해 고급 비지도 전이학습 모델을 평가하였다.
• 베어링 유형, 결함 유형, 운전 속도 간 교차 검증이 가능하도록 데이터셋을 구조화하였다.
• 모든 실험은 전체 데이터셋을 대상으로 수행되어 방법의 일반화 능력과 강건성(robustness)을 평가하였다.

실험 결과

연구 질문

• RQ1 시간, 주파수, 시간-주파수 도메인에서 추출한 특징을 사용하여 고전적 기계학습 방법이 볼 베어링 결함을 높은 정확도로 분류할 수 있는가?
• RQ2 비지도 전이학습 모델이 다양한 베어링 유형과 결함 구성 간에 얼마나 잘 일반화되는가?
• RQ3 엔벨로프 분석과 오더 트래킹 분석은 고샘플링 레이트 진동 신호에서 결함 관련 성분을 얼마나 효과적으로 분리하는가?
• RQ4 이 데이터셋에서 지도 학습과 비지도 학습 접근법 간의 성능 격차는 어느 정도인가?
• RQ5 실제 베어링 진동 데이터에서 다양한 결함 유형과 운전 조건 간에 학습된 표현은 얼마나 이식 가능한가?

주요 결과

• 지도 학습 기반 기계학습 방법은 HUST 베어링 데이터셋에서 최대 100%의 정확도를 기록하여 추출된 특징의 강력한 분류 능력을 보여주었다.
• 비지도 전이학습 방법은 60–80%의 정확도를 기록하여 다양한 결함 유형 간에 부분적이나마 의미 있는 지식 전이가 이루어졌음을 입증하였다.
• 엔벨로프 분석은 국소 결함(예: 볼 및 경로 균열)에 대해 결함 관련 인파르스를 효과적으로 강조하였다.
• 오더 트래킹 분석은 특히 변동 속도 조건에서 속도 관련 결함 성분을 추출하는 데 유용함을 입증하였다.
• 이 데이터셋은 다양한 실험 설정을 지원하여 지도 학습 및 자기지도 학습 방법의 강력한 평가가 가능하다.
• 이 데이터셋의 고샘플링 레이트(51,200 Hz)는 세밀한 결함 서명 분석을 가능하게 하여 고급 신호 처리 및 딥러닝 연구에 기여한다.