Original title: Implementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisek
Translated title: Implementation and practical verification of methods for predictive identification of rolling bearings failures
Authors: Bár, Martin ; Havránek, Zdeněk (referee) ; Klusáček, Stanislav (advisor)
Document type: Master’s theses
Year: 2022
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [cze] [eng]
Cílem diplomové práce je identifikovat a klasifikovat poruchy valivých ložisek. První část práce se zabývá diagnostikou ložisek s využitím vlastních naměřených dat. Byla poškozena dvě ložiska. První bylo poškozeno deformací a korozí. U druhého ložiska bylo uměle vytvořeno poškození vnější dráhy. Vibrace z běhu ložisek byly periodicky sbírány a poté zpracovány v MATLABu. Hodnoty statistických indikátorů naznačovaly poškození u obou ložisek. Obálková analýza odhalila u obou ložisek vývoj závady na vnějším kroužku a také postupný vývoj závady na kleci. V druhé části práce byly použity metody strojového učení ke klasifikaci závady na datech z databáze CWRU. Data z akcelerometru byla rozdělena dvěma způsoby do bloků. Pro 2D konvoluční síť byly z bloků vytvořeny vibrační obrázky. Nejlepší přesnosti predikce dosahovala 1D konvoluční neuronová síť (1DCNN) (99,2 %), z klasických metod strojového učení poté neuronová sít (94,6 %) a SVM (94,4 %). Na zmenšování trénovacích dat je nejodolnější metoda Random Forest a SVM, z konvolučních sítí poté MATLAB architektura a 1DCNN. Proti přidanému šumu je nejodolnější metoda Random Forest a neuronová síť, z konvolučních sítí poté 1DCNN. Pro silně zašuměná data jsou lepší klasické metody využívající statistické příznaky. Konvoluční sítě nedosahují dobré přesnosti, pravděpodobně kvůli transformaci surových dat z akcelerometru do vibračních obrázků. The aim of this thesis is to identify and classify rolling bearing failures. The first part of the thesis deals with the diagnosis of bearings using in-house measured data. Faults were introduced into two bearings. The first one was deformed and corroded. In the second bearing, the outer raceway was damaged. Vibration data was collected at regular intervals and processed in MATLAB. The values of the statistical features indicated faults in both bearings. Envelope analysis showed that both bearings had developed a fault on the outer raceway and a gradual fault on the cage. In the second part of this thesis, machine learning methods were used to classify defective bearings using the CWRU data set. The accelerometer data were divided into blocks in two ways. Vibration images were created from these blocks for convolutional neural networks (CNNs). The best prediction accuracy was achieved by 1D convolutional neural network (1DCNN) (99.2 %), followed by neural network (94.6 %) and SVM (94.4 %). Random Forest and SVM are the best methods when the training set is reduced, and among CNNs, MATLAB architecture and 1DCNN are the best. The most noise resistant method is Random Forest and neural network, and among CNNs, 1DCNN is the best. Methods using statistical features perform better than CNNs on extremely noisy data. Convolutional networks do not achieve good accuracy, which is probably due to the conversion of raw accelerometer data into vibration images.
Keywords: Bearing Diagnostic Techniques; Classification; Convolutional Neural Network; Envelope Analysis; Machine Learning; MATLAB; Rolling Element Bearings; Statistical Indicators; Klasifikace; Konvoluční neuronové sítě; MATLAB; Metody pro diagnostiku ložisek; Obálková analýza; Statistické indikátory; Strojové učení; Valivá ložiska

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/204962

Permalink: http://www.nusl.cz/ntk/nusl-502252


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses