Vibration data (time domain features) collected from accelerometers attached to the bearings used the machine learning model to predict three types of bearing failures, including internal, external and roller failure. The proposed system extracted 12 simple statistical measures, such as the average, peak-to-peak, and root mean square (RMS) values of the vibration signals, and used them as input features for machine learning models.
ความส าคัญและความเป็นมาของงานวิจัย
การซ่อมบ ารุงรักษาเชิงรับ (Reactive Maintenance)
การซ่อมบ ารุงเชิงป้องกัน (Preventive maintenance )
การซ่อมบ ารุงรักษาเชิงพยากรณ์ (Predictive maintenance)
วัตถุประสงค์ของการวิจัย
ขอบเขตของการวิจัย และ การด าเนินงานวิจัย
ประโยชน์ที่คาดว่าจะได้รับจากการวิจัย
- ทฤษฎีเกี่ยวกับการเตรียมข้อมูล (Data Preprocessing)
- การสั่นสะเทือน และวิธีการวัดการสั่นสะเทือน
- รูปแบบการช ารุดของตลับลูกปืน
- ค่าสั่นสะเทือนในคาบเวลา
- ทฤษฎีเกี่ยวกับอัลกอริทึม
- การเรียนรู้ของเครื่อง
- K-Nearest Neighbor (KNN)
- Support vector machine (SVM)
- Random Forest (ป่าสุ่ม)
- Extreme Gradient Boosting (XG-Boost)
- การวัดประสิทธิภาพของผลลัพธ์จากการวิเคราะห์ข้อมูล
- งานวิจัยที่เกี่ยวข้อง
บทความนี้น าเสนอการวินิจฉัยความผิดพลาดโดยใช้ Deep Neural Networks (DNN) ซึ่งเป็นโมเดลสามารถวินิจฉัยความผิดพลาดโดยใช้ข้อมูลจากเซ็นเซอร์อย่างอนุกรมเวลา โดยไม่. ต้องเลือกคุณสมบัติและประมวลผลสัญญาณและมีการ temporal coherence ของข้อมูลมาใช้. 12 ข้อผิดพลาดแบบเดิมมักพบปัญหาเรื่องต้องใช้ความเชี่ยวชาญในการเลือกคุณลักษณะ และไม่มี. การพิจารณา temporal coherence ของข้อมูลอนุกรมเวลา. จากการทดลองพบว่าการวินิจฉัยความผิดพลาดรูปแบบใหม่โดยอิงจาก DNN สามารถจ าแนก ความผิดปกติของตลับลูกปืนได้ 100% ซึ่งถือว่าวินิจฉัยความผิดพลาดโดยอิงจาก DNN มี. ประสิทธิภาพในการจับความผิดปกติของตลับลูกปืน แต่จะพบว่า DNN มีความซับซ้อนในการ พิจารณาผลลัพธ์ ท าให้ยากที่จะอธิบายความสัมพันธ์ระหว่างตัวแปรและผลการท านาย ความ ถูกต้องของโมเดล 100% มีความเป็นไปได้เมื่อน าไปใช้ทดสอบกับข้อมูลชุดอื่นจะเกิด Overfit. จากการทดลองพบว่าในทั้งสามสถานการณ์ one-class-ν-SVM สามารถตรวจจับความ ผิดปกติในการท างานของกังหันลม ยิ่งไปกว่านั้นยังสามารถแสดงตัวบ่งชี้เชิงคุณภาพเกี่ยวกับ วิวัฒนาการของความผิดปกติได้อีกด้วย เมื่อเทียบกับ Novelty detection method แล้ว one- class SVM ได้รับการพิสูจน์แล้วว่าสามารถให้ผลรับที่แม่นย ามากกว่า. 3) Fault diagnosis of ball bearings using machine learning methods (Kankar, Sharma, & Harsha, 2011). ผลการทดลองพบว่า ANN และ SVM สามารถใช้ตรวจจับความเสียหายของตลับลูกปืนอัตโนมัติได้. 4) MACHINE PROGNOSTICS BASED ON HEALTH STATE ESTIMATION USING SVM (Kim, Tan, Mathew, Kim, & Choi, 2012).
บทความนี้อธิบายเทคนิคในการทำนายอายุคงเหลือของเครื่องจักรโดยใช้ SVM และการใช้ระบบความรู้ของผู้เชี่ยวชาญในการพยากรณ์แบบวงปิดสำหรับการจำแนกความผิดปกติและการประเมินการเสื่อมสภาพของเครื่องจักร ตลับลูกปืนแบ่งออกเป็น 6 ระดับ มีการวิเคราะห์ข้อมูลการชำระเงินย้อนหลัง . การส่งข้อบกพร่องและเหตุการณ์ที่แยกจากกันสำหรับรูปแบบข้อบกพร่องนั้นแยกออกจากกันโดยใช้ระบบของผู้เชี่ยวชาญเพื่อแยกลักษณะเฉพาะ ประสิทธิภาพและระบุความผิดปกติของกระบวนการ เพื่อประเมินความล้มเหลวครั้งต่อไปและทดสอบว่ามีการนำแบบจำลองนี้ไปใช้หรือไม่ คลาสความล้มเหลวของตลับลูกปืนในปั๊มก๊าซธรรมชาติเหลวความดันสูง (LNG) ได้รับการวิเคราะห์ผ่านหกขั้นตอนของการย่อยสลาย หลังจากนั้นจึงได้รับอัตราความล้มเหลวที่กำหนดไว้ล่วงหน้า ใช้ใน 5) การวิเคราะห์ชุดข้อมูลตลับลูกปืนกลิ้งของศูนย์ระบบบำรุงรักษาอัจฉริยะแห่งมหาวิทยาลัยซินซินนาติ (Gousseau, Girardin และ Griffaton, 2016)
กระบวนการท างานของแบบจ าลอง
การเก็บรวบรวมข้อมูล
การเตรียมข้อมูล
การหาความสัมพันธ์ระหว่างคุณลักษณะเฉพาะ
การหาความสัมพันธ์ระหว่างชุดข้อมูลเดียวกันและต่างชุดข้อมูล
การหาคุณลักษณะเฉพาะที่ส าคัญ (Feature important)
พิจารณาคลาสของข้อมูลแบบอนุกรมเวลา
พิจารณาคลาสของข้อมูลจากการแจกแจงแบบปกติ
การปรับจูนพารามิเตอร์ของโมเดล และ การท า Cross validation
แมชชีนเลิร์นนิง การปรับพารามิเตอร์ Hyper ความแม่นยำเฉลี่ย
ผลลัพธ์ลัพธ์ของทั้ง 4 โมเดล
โมเดล SVM
โมเดล KNN
โมเดลป่าสุ่ม
โมเดล XG-Boost
ผลลัพธ์ของการเปรียบเทียบโมเดลทั้ง 4 โมเดล
กราฟอธิบายผลการทดลองการแบ่งคลาสของโมเดล
สรุปผลการวิจัย
อภิปรายผลการวิจัย
ข้อเสนอแนะ
Analysis of the rolling element bearing dataset from the Center for Intelligent Maintenance Systems at the University of Cincinnati. The dataset was provided by the Center for Intelligent Maintenance Systems (IMS), University of Cincinnati.
ค่าทางสถิติของตลับลูกปืน 4 ชุดข้อมูล 3 อยู่ในคลาส 1 (Normal) โดยมีช่วงเวลาของ
ค่าทางสถิติของตลับลูกปืน 1 ชุดข้อมูล 2 อยู่ในคลาส 2 (Outer) โดยมีช่วงเวลาของ
ค่าทางสถิติของตลับลูกปืน 3 ชุดข้อมูล 3 อยู่ในคลาส 2 (Outer) โดยมีช่วงเวลาของ
การเปรียบเทียบ ค่าเฉลี่ยของค่าความถูกต้องของโมเดลจากการท า Hyper parameter
Classification report ของ SVM
Classification report KNN
Classification report ป่าสุ่ม
เปรียบเทียบความถูกต้อง และ F1-score ของโมเดล
ต าแหน่งจุดวัดสัญญาณการสั่นสะเทือน
โครงสร้างของตลับลูกปืน
การแบ่งคลาสของ KNN
การแบ่งหลุ่มแบบ SVM
เมทริกซ์ความสับสนในรูปที่ 7 คำนวณความแม่นยำ ความแม่นยำ การเรียกคืน F-score เพื่อวัดประสิทธิภาพของแบบจำลองในการทำนายเหตุการณ์ความล้มเหลวของตลับลูกปืน จากการทดลองนี้ ทดสอบการเสื่อมสภาพตามธรรมชาติโดยไม่ใช้ 6) IMS Bearing Dataset_ Extraction of failure modes from Vibration Signals (Miltadis, 2018) เพื่อวิเคราะห์และคาดการณ์ 7) การสร้างแบบจำลองอนุกรมเวลาแบบไม่อิงพารามิเตอร์สำหรับการพยากรณ์โรคในอุตสาหกรรมและการจัดการด้านสุขภาพ (Mosallam, Medjaher และ Zerhouni, 2013)
วิธีการพยากรณ์และการจัดการสุขภาพ มุ่งเป้าไปที่การตรวจจับการเสื่อมสภาพ วินิจฉัย ข้อบกพร่อง และคาดการณ์เวลาที่ระบบหรือส่วนประกอบจะไม่ท างาน โดยใช้แบบจ าลองทาง กายภาพหรือการแยกข้อมูล เป็นเทรนด์เป็นหนึ่งในวิธีการที่ใช้ในการดึงข้อมูลส าคัญที่มีอยู่ใน สัญญาณ การดึงข้อมูลดังกล่าวจากข้อมูลที่รวบรวมมาในทางปฏิบัติ เป็นความท้าทายอย่างยิ่ง เนื่องจากสัญญาณมักจะมีหลายมิติและถูกบดบังด้วยสัญญาณรบกวน. 16 feature selection , Features compression , Signal trend extraction แ ล ะ Health Status Modelling จากการทดลองแสดงให้เห็นสถานะความสมบูรณ์ของเครื่องจักรได้ และถูกน ามาใช้. ส าหรับการสร้างแบบจ าลองการเสื่อมสภาพทางสุขภาพ. 8) Prediction of Bearing Remaining Useful Life With Deep Convolution Neural Network Internet of Things (IoT) (Ren, Sun, Wang, & Zhang, 2018). ในงานวิจัยครั้งนี้ใช้ข้อมูลตลับลูกปืนของ Intelligent Maintenance Systems (IMS) เป็น ข้อมูลของการทดสอบตลับลูกปืนแบบจากการท างานปกติจนตลับลูกปืนเกิดการช ารุดเสียหาย (test-to-failure) ภาพประกอบ 9 ตลับลูกปืนถูกติดตั้งหมุนด้วยความเร็ว 2000 รอบต่อนาที. การน าสัญญาณสั่นสะเทือน ในรูปแบบของคาบเวลา เป็นคุณสมบัติทางสถิติได้ 12 คุณลักษณะเฉพาะคือ Mean ,Standard derivation (Std) , Skewness , Peak-to-Peak , Crest , Clearance, Shape , Impulse, Entropy , Kurtosis , Root mean square (RMS) แ ล ะ Max เพื่อให้สัญญาณ แบ่งออกเป็นหลายส่วนได้ การแบ่งสัญญาณออกเป็นหลายคุณลักษณะ ท าให้.
รูปที่ 19 การกระจายตัวของลักษณะการทำความสะอาดแบบปกติ ในการเปรียบเทียบ โมเดล XG-Boost มีความแม่นยำ 88.68% การพยากรณ์โรคด้วยเครื่องตามการประเมินสถานะสุขภาพโดยใช้สถานะสินทรัพย์ SVM ระบบข้อมูล และแบบจำลองการตัดสินใจ (บทที่ 9 f 169-186)
โครงสร้างโมเดล Random forest
วิธีการท างานของ XG-Boost
Confusion Matrix
กระบวนการท างานแบบจ าลอง
ต าแหน่งการติดตั้งตลับลูกปืน
ลูกกลิ้ง, การแข่งขันด้านนอกและการแข่งขันด้านในของตลับลูกปืนจะถูกใช้ปัจจัยการกวาดล้างตามลำดับ
ความสัมพันธ์ (Correlation) 12 คุณลักษณะเฉพาะ
ความสัมพันธ์ (Correlation) 8 คุณลักษณะเฉพาะ
เรียงล าดับคุณลักษณะเฉพาะที่มีความส าคัญของ Gradient boost
เรียงล าดับคุณลักษณะเฉพาะที่มีความส าคัญของป่าสุ่ม
RMS แสดงอยู่ในรูปแบบกราฟเส้นแบ่งตามคลาส
Peak-to-Peak แสดงอยู่ในรูปแบบกราฟเส้นแบ่งตามคลาส
Clearance แสดงอยู่ในรูปแบบกราฟเส้นแบ่งตามคลาส
การแจกแจงแบบปกติของคุณลักษณะเฉพาะของ RMS
การแจกแจงแบบปกติของคุณลักษณะเฉพาะของ Peak to peak
การท า Fold Cross validation
Classification report SVM
Confusion matrix KNN
กราฟแสดงการกระจายตัว ระหว่าง Avg. RMS และ Avg. Peak-to-Peak
กราฟแสดงการกระจายตัวระหว่าง Avg. RMS และ Avg. Clearance
กราฟแสดงการกระจายตัวระหว่าง RMS และ Avg. Kurtosis
กราฟแสดงการกระจายตัวระหว่าง RMS และ Avg. Skew
กราฟแสดงการกระจายตัว ระหว่าง RMS และ Avg. Crest
