[论文解读] 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 5

一句话总结

本文提出了一种基于声音信号和大边界K-最近邻（LMKNN）分类器的螺旋齿轮箱故障诊断系统。它从声学数据中提取统计特征，通过J48决策树选择关键特征，并应用LMKNN进行分类，在区分健康与故障齿轮状态方面表现出高精度，尤其在传统基于FFT的方法失效的非平稳信号条件下表现优异。

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.

研究动机与目标

• 为解决利用声音信号进行齿轮故障诊断，特别是非平稳条件下研究不足的问题。
• 克服基于FFT的方法在分析非平稳齿轮信号时的局限性。
• 开发一种基于机器学习的声学信号方法，实现螺旋齿轮箱的可靠故障检测。
• 评估大边界K-最近邻（LMKNN）在使用声学数据分类齿轮故障状态方面的性能。
• 利用J48决策树算法识别并选择从声学信号中提取的最具区分性的特征。

提出的方法

• 在健康和模拟故障状态下，从螺旋齿轮箱采集了声学信号。
• 从声学信号中提取了均值、标准差、偏度、峰度和均方根等统计特征。
• 应用J48决策树算法，从提取的特征集中选择最相关的特征。
• 使用选定的特征训练大边界K-最近邻（LMKNN）分类器，以分类故障状态。
• 通过改变K值和边界大小等参数，评估其对准确率的影响，从而评估分类性能。
• 使用真实声学数据验证了该方法，证明其对非平稳信号特性的鲁棒性。

实验结果

研究问题

• RQ1 声音信号能否有效表征螺旋齿轮箱的健康状况以用于故障诊断？
• RQ2 大边界K-最近邻分类器与传统KNN相比，在使用声学数据分类齿轮故障时表现如何？
• RQ3 从声学信号中提取的哪些统计特征对识别齿轮故障最具区分性？
• RQ4 LMKNN中K值和边界大小的变化如何影响分类准确率？
• RQ5 J48决策树在多大程度上能改善非平稳齿轮信号故障诊断中的特征选择？

主要发现

• LMKNN分类器在使用声学信号区分健康与故障齿轮状态方面实现了高分类准确率。
• 通过J48决策树进行特征选择，显著提升了分类性能，减少了无关和冗余特征。
• 该方法对非平稳信号表现出鲁棒性，在此情境下优于传统的基于FFT的方法。
• 最优分类准确率通过特定的K值与边界大小组合实现，表明对参数调优具有敏感性。
• 统计特征如峰度和均方根被识别为对故障检测具有高度区分性。
• 本研究证实了声音信号作为齿轮故障诊断可靠、非侵入性状态信息来源的可行性。