Online feature learning for condition monitoring of rotating machinery

تعمیر و نگهداری ماشین آلات چرخشی مبتنی بر شرایط، نیاز به روش های نظارت بر وضعیت کارایی است که امکان تشخیص زودهنگام شرایط عملیاتی غیر عادی و گسل ها را فراهم می کند. این یک مشکل چالش برانگیز است زیرا ماشین آلات با توجه به پوشیدگی و تعمیر و نگهداری متفاوت هستند و تغییرات در طول زمان. کارایی و مقیاس پذیری روش های مانیتورینگ شرایط متعارف توسط نیاز به تجزیه و تحلیل دستی و پیکربندی مجدد محدود شده است. مشکل استخراج ویژگی های مربوطه از سیگنال های نظارت وضعیت و در نتیجه شناسایی و تحلیل تغییرات در چنین سیگنال ها یک موضوع اصلی است که در اصل می تواند با استفاده از روش های یادگیری ماشین حل شود. کار قبلی نشان می دهد که یادگیری فرهنگ لغت می تواند به صورت خودکار ویژگی های سیگنال را مشخص کند که شرایط عملیاتی مختلف و گسل های یک ماشین دوار را مشخص می کند، اما استفاده از چنین روش هایی برای اهداف نظارت آنلاین وضعیت یک مشکل باز است. در اینجا ما یادگیری آنلاین از ویژگی های یادگیری فرهنگ لغت را بررسی می کنیم. ما توصیف فاصله و هوشیاری مبتنی بر سیگنال را برای تشخیص آنومالی توصیف می کنیم، و ما ویژگی های زمان انتشار و تقریب نزولی سیگنال های ارتعاش و سیگنال انتشار را در سه مطالعه مختلف مورد مطالعه قرار می دهیم. ما نتایج آزمایش های عددی با پارامترهای مختلفی را که بر دقت تقریبی، هزینه محاسبات و میزان سازگاری ویژگی های آموخته تاثیر می گذاریم، ارائه می کنیم. ما دریافتیم که ویژگی های آموخته شده با تغییرات نرمال شرایط عملیاتی در مقایسه با سازگاری سریع مشاهده شده در زمانی که یک خطا رخ می دهد (نقایص تحمل، ذرات مگنتیت در روان کننده یا تغییر شکل پلاستیک) مشاهده شده است. علاوه بر این، ما دریافتیم که یک تقریب سیگنال ضعیف با ضریب حفظ شده 2.5٪ بر اساس یک فرهنگ لغت منتشر شده برای تشخیص نقص تحمل کافی است.