Microcontroller-based real-time motor bearing fault detection and diagnosis using 1D convolutional neural networks

Abstract

Sürekli makine durum izlemesi, makinelerin durumu ve sağlığı hakkında gerçek zamanlı bilgi sağlaması nedeniyle endüstride beklenmedik makine arızalarını önleyen çok yaygın bir uygulamadır. Dönen makine arızalarının en yaygın nedenlerinden biri rulman arızalarıdır ve rulman arızalarının erken tespiti, motorun kendisinden ziyade arızalı rulmanın değiştirilmesini sağlar. Bu nedenle, elektrik motor rulmanlarının ömrü ve durumu, endüstriyel tesislerin kesintisiz çalışmasını sürdürmek için son kullanıcılar açısından büyük önem taşımaktadır. Geleneksel rulman arıza tespit sistemleri, manuel öznitelikler çıkararak sınıflandırma gerçekleştirir ve yüksek işlem gereksinimi sebebiyle gerçek zamanlı uygulamayı zorlaştırırlar. Öte yandan, 1B Operasyonel Sinir Ağları (1B OSA) ve bunların özel bir durumu olan 1B Evrişimsel Sinir Ağları (1B ESA), otomatik öznitelik çıkarma ve sınıflandırma aşamalarını tek bir öğrenme gövdesinde toplayan daha az işlem gerektiren verimli alternatiflerdir. Bu çalışmada, ilk olarak, 1B OSA'ların ve ESA'ların rulman arıza teşhisindeki etkinliği iki açık kaynak veri seti kullanılarak gösterilmiştir. Ayrıca, İzmir Ekonomi Üniversitesi'ndeki motor test düzeneği kullanılarak iki çeşit tek fazlı asenkron motordan dört farklı rulman sağlığı koşulu için birkaç dakikalık 3 eksen ivmeölçer verisi toplanmıştır. Toplanan veri kullanılarak, bir 1B ESA modeli eğitilip, model katsayıları nicemlendikten sonra Arm Cortex-M4 tabanlı mikrodenetleyiciye yüklenmiştir ve bu sayede gerçek bir motor düzeneğinde modelin rulman arıza teşhis performansı gözlemlenmiştir. Deneysel sonuçlar, 1B ESA'lar kullanılarak düşük güçlü mikrodenetleyiciler ile rulman hatalarının gerçek zamanlı tespit ve teşhisinin mümkün olduğunu göstermektedir.

Continuous machine monitoring provides a real-time intelligence on the status and health of the machinery; hence it is a very common practice that avoids unexpected machine failures in the industry. One of the most common causes of rotating machine failures are bearing faults, and early detection of bearing defects allows replacement of faulty bearing rather than the motor itself. Therefore, the lifetime and condition of electric motor bearings are of great interest to end users to sustain continuous plant operation. Traditional bearing fault detection systems perform classification using hand-crafted features; hence they require significant computational cost, avoiding real-time applications. On the other hand, 1D Self-Organized Operational Neural Networks (1D Self-ONNs) and its special case 1D Convolutional Neural Networks (1D CNNs) are the promising alternatives that encapsulates feature extraction and classification phases into a single learning body, thus allowing more efficient systems in terms of computational complexity. In this study, first, the effectiveness of 1D Self-ONNs and CNNs for bearing fault diagnosis is shown on two benchmark datasets. In addition, using an on-board accelerometer, several minutes of 3-axis accelerometer data is collected from two different single-phase induction motors with four different bearing health conditions on the motor test setup at Izmir University of Economics. A 1D CNN model is then trained, quantized, and deployed to Arm Cortex-M4 based microcontroller to evaluate the bearing fault diagnosis performance in real-world scenario. The experimental results indicate that it is feasible to detect and classify bearing faults in real-time on low-power microcontrollers using 1D CNNs.