Multi-channel, multi-level framework for bearing fault diagnosis in electrical machines

Abstract

Elektrik motorları kararlılık, sağlamlık ve kullanım kolaylığı avantajları ile birlikte gelmektedirler. Ayrıca kullanıcılara düşük işletme ve bakım maliyetleri sağlarlar. Bu önemli özelliklerinden dolayı çok çeşitli endüstriyel uygulamalarda yaygın olarak tercih edilmektedirler. Asenkron motorların arızalanması, endüstriyel üretim üzerindeki etkisi nedeniyle büyük bir endişe kaynağıdır. Asenkron makinelerde yaygın olarak bilyalı veya rulmanlı yataklar kullanılmaktadır ve en yaygın motor arızaları bu bileşenlerden kaynaklanmaktadır. Bu olası rulman arızalarının en erken aşamada doğru bir şekilde tespit edilmesi, kaçınılmaz tehlikelerle karşı karşıya kalmak yerine ilgili parçaları onararak ve/veya değiştirerek sorunu daha düşük maliyetle çözmek için kritik öneme sahiptir. Literatürde yer alan arıza tespiti ile ilgili pek çok araştırma, tek bir girişe dayalı ikili {sağlıklı, arızalı} motor arıza durumlarını tespit etmeye odaklanmıştır. Bu doktora tezinde, çok kanallı, çok seviyeli 1B-Evrişimli Sinir Ağ (CNN) yapısı, ham zaman alanlı titreşim sinyallerini işleyerek, rulman arızalarını daha erken seviyelerde geliştirilmiş bir performansla sınıflandırmak için tasarlanmış ve kullanılmıştır, ve dolayısıyla yapı kestirimci bakım amacıyla kullanılabilmektedir. Önerilen sistem, her biri farklı hata türleri için uzmanlaşmış kompakt 1B CNN'ler grubunu eş zamanlı olarak farklı hata türlerini ({iç bilezik arızası, dış bilezik arızası, yuvarlanan eleman arızası}, gibi) tanımlamak için kullanmakta ve tanımlanan arıza tipine ait iki seviyeli ({erken seviye arıza, gelişmiş seviye arıza}, gibi) arıza tespiti başarmaktadır. Ek olarak, gerçek zamanlı uygulamalar gerçekleştirebilmek için veri ön işleme olarak kayan pencere tekniği uygulanmaktadır. Rulman hataları için en zengin bilgi kaynağı olan titreşim sinyalleri, özellikle hataların erken tespiti için seçilmiştir ve Ulusal Havacılık ve Uzay Dairesi (NASA) ile işbirliği içindeki Cincinnati Üniversitesi, Akıllı Bakım Sistemleri Merkezi (IMS) tarafından sağlanan referans titreşim veri seti, önerilen yaklaşımın performansını doğrulamak ve sonuçları geleneksel tek eksenli veri tabanlı hata algılama yöntemleriyle karşılaştırmak için bu tezdeki deneylerde kullanılmaktadır.

Electric motors come with the advantage of stability, solidity and ease of use. Besides, they provide users with low operational and maintenance costs. Due to these major features, they have been extensively preferred in a variety of industrial applications. Malfunctioning of induction motors is a major concern due to its impact on industrial production. Induction machines widely use ball or rolling element bearings and the most common motor failures are due to these components. Detecting these potential bearing faults accurately in the earliest stage is critical to solve the problem at a lower cost by repairing and/or replacing relevant parts rather than facing inevitable hazards. In the literature, a variety of fault detection related research is concentrated on detecting binary {healthy, faulty} motor fault cases based on a single input. In this dissertation, a multi-channel, multi-level 1D-Convolutional Neural Network (CNN) framework is designed and utilized to process raw time-domain vibration signals to classify bearing faults at earlier levels with improved performance and hence can be used for predictive maintenance purposes. The proposed system employs ensemble of compact 1D CNNs each specialized for different type of fault to identify different fault types (i.e. {inner race, outer race, rolling element faults}) and achieve two-level (i.e. {early fault, advance fault}) fault detection corresponding to identified fault type, simultaneously. Additionally, sliding window technique is applied as a data preprocessing to achieve real-time implementation. The vibration signals as being the richest source of information for bearing defects are especially chosen for early detection of faults and the benchmark vibration dataset provided by the Center for Intelligent Maintenance Systems (IMS), University of Cincinnati, in collaboration with the National Aeronautics and Space Administration (NASA) is used for the experiments in this thesis to validate the performance of the proposed approach and compare the results with the traditional single-axis data-based fault detection methods.