A Vibration Novelty Index Model for Industrial Gearboxes: Applying machine learning to condition monitoring
Peltomaa, Juho (2021)
Peltomaa, Juho
2021
Konetekniikan DI-ohjelma - Master's Programme in Mechanical Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2021-11-23
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202111118358
https://urn.fi/URN:NBN:fi:tuni-202111118358
Tiivistelmä
Collecting vibration data from industrial gearboxes is straightforward with modern IoT systems. However, it is difficult to present the data in such a way that someone who is not a condition monitoring expert can tell the condition of a monitored gearbox. This thesis aims to make it easier to interpret vibration data measured from industrial gearboxes. This was achieved by developing a condition index for industrial gearboxes. In this context, a condition index was defined as a mapping of measurements to a variable describing the condition of a gearbox.
To develop a condition index, first a literature research was performed to learn more about what is involved in designing one. Then, a machine learning-based condition index model was developed, with which different condition indices can be implemented. The condition index model was based on novelty detection, and hence it was called the novelty index model. The validity of the model was evaluated with data from an experimental gearbox setup. Six different condition indices were implemented based on the model. They were formed from the product of two feature sets (one based on empirical mode decomposition and the other on wavelet packet decomposition) and three machine learning models (kernel density estimation, one-class support vector machine and Gaussian mixture model). The indices were compared with each other with data from two public bearing test datasets, and the one which best described the fault growth process of a gearbox was the final developed condition index.
The results showed that the developed model was valid: values obtained with the model correlated with the damage level of the experimental gearbox setup. In addition, the condition index with kernel density estimation as the machine learning model and wavelet packet decomposition-based features as the feature set was determined to best describe the fault growth process of a gearbox. Värähtelydatan kerääminen teollisuusvaihteista on vaivatonta nykyaikaisten IoT-järjestelmien avulla. On kuitenkin vaikeaa esittää kerätty data niin, että kunnonvalvontaan perehtymätön henkilö osaa päätellä valvottavan koneen kunnon sen avulla. Tämän diplomityön tavoitteena on helpottaa teollisuusvaihteista mitatun värähtelydatan tulkitsemista. Tämä saavutettiin kehittämällä kuntoindeksi teollisuusvaihteille. Tässä kontekstissa kuntoindeksi määriteltiin kuvaukseksi, joka liittää mittauksia muuttujaan, joka kuvaa vaihteen kuntoa.
Jotta kuntoindeksi voitiin kehittää, ensin tehtiin kirjallisuustutkimus, jonka tarkoitus oli saada tietoa siitä, mitä kuntoindeksin kehittämiseen liittyy. Sitten kehitettiin koneoppimiseen pohjautuva kuntoindeksimalli, jonka avulla voidaan toteuttaa erilaisia kuntoindeksejä. Kuntoindeksimalli perustui poikkeavuuksien havaitsemiseen, joten se sai nimen poikkeavuusindeksimalli. Mallin kelpoisuus arvioitiin kokeellisesta vaihdejärjestelystä saadulla datalla. Kuusi erilaista kuntoindeksiä toteutettiin mallin perusteella. Ne muodostuivat kahden piirrejoukon (toinen pohjautui empiiriseen moodihajotelmaan ja toinen aallokepakettihajotelmaan) ja kolmen koneoppimismallin (ydinestimointi, yhden luokan tukivektorikone ja gaussinen sekoitemalli) tulojoukosta. Indeksejä vertailtiin keskenään kahdesta julkisesta laakeritestidatasetistä saadulla datalla ja indeksi, joka kuvasi parhaiten vaihteen vikaantumisprosessia, oli lopullinen kehitetty kuntoindeksi.
Tuloksien perusteella kehitetty malli oli pätevä: mallin avulla saadut arvot korreloivat kokeellisen vaihdejärjestelyn vauriotason kanssa. Lisäksi kuntoindeksi, joka käytti ydinestimointia koneoppimismenetelmänä ja aallokepakettihajotelmaan pohjautuvia piirteitä piirrejoukkona, todettiin kuvaavan vaihteen vikaantumisprosessia parhaiten.
To develop a condition index, first a literature research was performed to learn more about what is involved in designing one. Then, a machine learning-based condition index model was developed, with which different condition indices can be implemented. The condition index model was based on novelty detection, and hence it was called the novelty index model. The validity of the model was evaluated with data from an experimental gearbox setup. Six different condition indices were implemented based on the model. They were formed from the product of two feature sets (one based on empirical mode decomposition and the other on wavelet packet decomposition) and three machine learning models (kernel density estimation, one-class support vector machine and Gaussian mixture model). The indices were compared with each other with data from two public bearing test datasets, and the one which best described the fault growth process of a gearbox was the final developed condition index.
The results showed that the developed model was valid: values obtained with the model correlated with the damage level of the experimental gearbox setup. In addition, the condition index with kernel density estimation as the machine learning model and wavelet packet decomposition-based features as the feature set was determined to best describe the fault growth process of a gearbox.
Jotta kuntoindeksi voitiin kehittää, ensin tehtiin kirjallisuustutkimus, jonka tarkoitus oli saada tietoa siitä, mitä kuntoindeksin kehittämiseen liittyy. Sitten kehitettiin koneoppimiseen pohjautuva kuntoindeksimalli, jonka avulla voidaan toteuttaa erilaisia kuntoindeksejä. Kuntoindeksimalli perustui poikkeavuuksien havaitsemiseen, joten se sai nimen poikkeavuusindeksimalli. Mallin kelpoisuus arvioitiin kokeellisesta vaihdejärjestelystä saadulla datalla. Kuusi erilaista kuntoindeksiä toteutettiin mallin perusteella. Ne muodostuivat kahden piirrejoukon (toinen pohjautui empiiriseen moodihajotelmaan ja toinen aallokepakettihajotelmaan) ja kolmen koneoppimismallin (ydinestimointi, yhden luokan tukivektorikone ja gaussinen sekoitemalli) tulojoukosta. Indeksejä vertailtiin keskenään kahdesta julkisesta laakeritestidatasetistä saadulla datalla ja indeksi, joka kuvasi parhaiten vaihteen vikaantumisprosessia, oli lopullinen kehitetty kuntoindeksi.
Tuloksien perusteella kehitetty malli oli pätevä: mallin avulla saadut arvot korreloivat kokeellisen vaihdejärjestelyn vauriotason kanssa. Lisäksi kuntoindeksi, joka käytti ydinestimointia koneoppimismenetelmänä ja aallokepakettihajotelmaan pohjautuvia piirteitä piirrejoukkona, todettiin kuvaavan vaihteen vikaantumisprosessia parhaiten.