Використання методів машинного навчання для бінарної класифікації робочого стану підшипників за сигналами їх віброприскорення

Abstract

В роботі досліджується зв’язок між віброприскоренням підшипників з їх робочим станом. Для визначення цих залежностей було побудовано випробувальний стенд та проведено 112 експериментів з різними підшипниками: 100 підшипників, у яких під час експлуатації розвинувся внутрішній дефект та 12 підшипників без дефекту. З отриманих записів було сформовано набір даних, який використовувався для побудови класифікатору та знаходиться у вільному доступі. Був запропонований метод для класифікації нових та використаних підшипників, що полягає у пошуку залежностей та закономірностей сигналу за допомогою описових функцій: статистичних, ентропій, фрактальних розмірностей та інших. Окрім обробки самого сигналу, також використовувалося частотне представлення сигналу роботи підшипників для доповнення простору ознак. У роботі було перевірено можливість узагальнення класифікації для її застосування на тих сигналах, які не були отримані під час лабораторних експериментів. Сторонній набір даних було знайдено у вільному доступі. Цей набір даних був використаний для того, щоб визначити, наскільки точним буде класифікатор, який навчався та тестувався на істотно різних сигналах. Навчання та валідація проводилась методом бутсрапування для викорінення ефекту випадковості з огляду на малий об’єм наявних даних для навчання. Для оцінки якості класифікаторів було використано F1-міру, як основну метрику, через незбалансованість наборів даних. В якості моделей класифікатору були обрані наступні алгоритми машинного навчання з вчителем: логістична регресія, метод опорних векторів, випадковий ліс та метод найближчих сусідів. Результати представлені в вигляді графіків густини розподілу та діаграм.The paper investigates the relationship between vibration acceleration of bearings with their operational state. To determine these dependencies, a test bench was built and 112 experiments were carried out with different bearings: 100 bearings that developed an internal defect during operation and 12 bearings without a defect. From the obtained records, a dataset was formed, which was used to build classifiers. Dataset is freely available. A method for classifying new and used bearings was proposed, which consists in searching for dependencies and regularities of the sign al using descriptive functions: statistical, entropy, fractal dimensions and others. In addition to processing the signal it self, the frequency domain of the bearing operation signal was also used to complement the feature space. The paper considered the possibility of generalizing the classification for its application on those signals that were not obtained in the course of laboratory experiments. An extraneous dataset was found in the public domain. This dataset was used to determine how accurate a classifier was when it was trained and tested on significantly different signals. Training and valid ation were carried out using the bootstrapping method to eradicate the effect of randomness, given the small amount of training data available. To estimate the quality of the classifiers, the F1-measure was used as the main metric due to the imbalance of the data sets. The following supervised machine learning methods were chosen as classifier models: logistic regression, support vector machine, random forest, and K nearest neighbors. The results are presented in the form of plots of density distribution and diagrams.