DOI: https://doi.org/10.1016/j.measurement.2024.114191
تاريخ النشر: 2024-01-21
المؤلف: Sumika Chauhan وآخرون
الموضوع الرئيسي: أنظمة الكشف عن الأعطال والتحكم
نظرة عامة
تقدم البحث نهجًا جديدًا لاكتشاف عيوب المحامل من خلال تحليل الاهتزاز، مع معالجة التحديات المتعلقة بعدم الثبات ونسب الإشارة إلى الضوضاء المنخفضة. تستخدم الطريقة المقترحة تقاطع إنترتروبي نيوتروسوفي أحادي القيمة (SVNCE) بالتزامن مع تحليل وضع الميزات التكيفي (FMD) الذي تم تحسينه بواسطة خوارزمية الطائر الطنان الاصطناعية (AHA). يتم توجيه هذا التحسين بواسطة مؤشر صحة تم تطويره حديثًا (HI)، وهو مؤشر قياس تأثير الندرة (SIMI)، الذي يضمن أن الميزات المستخرجة تحافظ على خصائص الندرة والتأثير. يتم تحليل إشارات الاهتزاز الخام إلى أوضاع مختلفة، ويتم حساب طاقة هذه الأوضاع لتحديد نطاق بناءً على القيم الذاتية للطاقة. ثم يتم تحويل هذه الطاقات إلى مجموعات نيوتروسوفية أحادية القيمة (SVNS) لتسهيل تحديد حالات العيوب غير المعروفة.
تستخدم المنهجية مبدأ الحجة الدنيا لمقارنة قيم SVNCE بين SVNS المشتقة من عينات الاختبار (التي تمثل ظروفًا غير معروفة) وتلك المأخوذة من عينات التدريب (التي تمثل ظروفًا معروفة). تشير النتائج إلى أن هذا النهج يعزز بشكل كبير من اكتشاف مختلف عيوب المحامل. يبرز البحث فعالية FMD التكيفي وSIMI كدالة للياقة في تحسين استخراج خصائص العيوب، مما يحسن تحليل النبضات الدورية ومرونتها ضد الضوضاء المفاجئة.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم للمكونات الدوارة، وخاصة المحامل، في التطبيقات الصناعية، مع تسليط الضوء على تعرضها للفشل بسبب ظروف التشغيل القاسية. يمكن أن تؤثر هذه الإخفاقات بشكل كبير على الأداء وتؤدي إلى خسائر اقتصادية. وبالتالي، فإن تشخيص العيوب في المحامل أمر ضروري للكشف المبكر وتقييم القضايا المحتملة. من بين طرق التشخيص المختلفة، برز تحليل الاهتزاز كتقنية رئيسية، حيث يستخدم طرق معالجة الإشارة المتقدمة مثل الكورتوزيس الطيفي، والكورتوغرام السريع، وإعادة التحليل بأقل إنترتروبي لمراقبة صحة المحامل.
تستعرض هذه القسم عدة تقنيات تحليل الإشارة، بما في ذلك تحليل الوضع التجريبي (EMD)، وتحليل الوضع التجميعي (EEMD)، وتحليل الوضع التبايني (VMD)، وتحليل الوضع المحلي (LMD)، مع الإشارة إلى تقدمها وقيودها، مثل خلط الأوضاع وتأثيرات النهاية. يبرز تفوق VMD على الطرق التقليدية بسبب قدرته على تجنب خلط الأوضاع واستخراج ميزات العيوب بشكل فعال. كما تقدم المقدمة طريقة تحليل جديدة تسمى تحليل وضع الميزات (FMD)، والتي تعالج أوجه القصور في التقنيات الحالية من خلال استخدام بنك مرشحات FIR وإعادة التحليل بأقصى كورتوزيس. بالإضافة إلى ذلك، يتم تقديم مؤشر صحة جديد، وهو مؤشر قياس تأثير الندرة (SIMI)، لتعزيز عملية التحسين من خلال تحليل خصائص العيوب في وجود الضوضاء. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستفصل في FMD، وتحسينه التكيفي، وتطبيقاته في العالم الحقيقي.
طرق
تستخدم المنهجية المقترحة خوارزمية التناغم التكيفية (AHA) لتحسين معلمات تقنية تحليل الوضع السريع (FMD)، باستخدام دالة لياقة تُعرف بـ $SIMI_i$ لكل وضع، حيث $i = 1, 2, \ldots, N$. تبدأ العملية بتهيئة AHA مع مجموعة سكانية من 30 وتحديد حد أقصى للتكرار يبلغ 20. يتم إدخال الإشارات الخام في FMD مع قيم معلمات محددة مسبقًا، مما يؤدي إلى تحليل هذه الإشارات إلى أوضاع مختلفة. يتم حساب دالة اللياقة $SIMI$ لكل وضع حتى يتم الوصول إلى الحد الأقصى للتكرار، مما يسمح بتقييم دالة اللياقة العالمية المثلى، والتي تعطي القيم المثلى لعدد الأوضاع ($K$) وطول المرشح ($L$).
بعد ذلك، يتم حساب الطاقة لكل وضع، ويتم تحديد فترات طاقة محددة، والتي يتم تحويلها بعد ذلك إلى عينات مدعومة متجهة طبيعية (SVNS) لإنشاء مجموعات بيانات التدريب والاختبار. تستخدم المنهجية مبدأ الحجة الدنيا لتحديد عيوب المحامل المختلفة من خلال مقارنة أقل قيم خطأ التصنيف المدعوم المتجه الطبيعي (SVNCE) بين SVNS لعينات الاختبار (من ظروف المحامل غير المعروفة) وتلك الخاصة بعينات التدريب (من ظروف المحامل المعروفة). تم تصميم هذا النهج للتطبيقات في الوقت الحقيقي، مما يعزز من اكتشاف عيوب المحامل بشكل فعال.
نقاش
في قسم النقاش، يحلل المؤلفون فعالية تقنية تحليل وضع الميزات (FMD) المقترحة من قبل مياو وآخرين. يؤكدون على أهمية عدد الأوضاع \( K \) وطول المرشح \( L \) في تحديد خصائص التصفية لـ FMD. على وجه الخصوص، يلاحظون أن تغيير \( K \) مع الحفاظ على \( L \) ثابتًا يؤدي إلى عرض نطاق مرشح أكبر وأقل فعالية في إزالة الضوضاء، بينما يؤدي تثبيت \( K \) وتغيير \( L \) إلى تموجات غير مرغوب فيها في نطاق المرور. يشير ذلك إلى أن الاختيار الدقيق لهذه المعلمات أمر حاسم لتحسين قدرات التحليل لـ FMD.
كما يقدم القسم مقياس تقاطع إنترتروبي نيوتروسوفي أحادي القيمة (SVNCE) المتماثل، والذي يتم اشتقاقه من النظريات التي تحدد قيمه الدنيا والقصوى. يبرز المؤلفون أهمية تطوير مؤشر صحة (HI) يجمع بين إنترتروبي تقريبي (ApEn) ومؤشر كورتوزيس (KI) لتعزيز الطبيعة التكيفية لـ FMD. تم تصميم HI لتحسين اكتشاف العيوب من خلال توفير دالة لياقة لخوارزميات التحسين. يقترح المؤلفون استخدام خوارزمية الطائر الطنان الاصطناعية (AHA) لتحسين معلمات FMD، والتي تستلهم من سلوك البحث عن الطعام للطائر الطنان. تظهر النتائج أن الطريقة المقترحة تحقق دقة عالية تبلغ 99.6% في تحديد عيوب المحامل، متفوقة على التقنيات الحالية مثل EEMD وVMD.
DOI: https://doi.org/10.1016/j.measurement.2024.114191
Publication Date: 2024-01-21
Author(s): Sumika Chauhan et al.
Primary Topic: Fault Detection and Control Systems
Overview
The research presents a novel approach for detecting bearing defects through vibration analysis, addressing challenges related to non-stationarity and low signal-to-noise ratios. The proposed method utilizes single-valued neutrosophic cross-entropy (SVNCE) in conjunction with an adaptive feature mode decomposition (FMD) optimized by the artificial hummingbird algorithm (AHA). This optimization is guided by a newly developed health indicator (HI), the sparsity impact measure index (SIMI), which ensures that the extracted features maintain both sparsity and impact properties. The raw vibration signals are decomposed into various modes, and the energy of these modes is calculated to establish a range based on energy eigenvalues. These energies are then transformed into single-valued neutrosophic sets (SVNSs) to facilitate the identification of unknown defect conditions.
The methodology employs the minimum argument principle to compare SVNCE values between SVNSs derived from testing samples (representing unknown conditions) and those from training samples (representing known conditions). The findings indicate that this approach significantly enhances the detection of various bearing defects. The research underscores the effectiveness of the adaptive FMD and the SIMI as a fitness function in optimizing the extraction of fault characteristics, which improves the analysis of periodic impulses and their resilience against impulsive noise.
Introduction
The introduction of the paper emphasizes the critical role of rotating components, particularly bearings, in industrial applications, highlighting their susceptibility to failures due to harsh operational conditions. Such failures can significantly impact performance and lead to economic losses. Consequently, fault diagnosis in bearings is essential for early detection and assessment of potential issues. Among various diagnostic methods, vibration analysis has emerged as a key technique, utilizing advanced signal processing methods such as spectral kurtosis, fast kurtogram, and minimum entropy deconvolution to monitor bearing health.
The section reviews several signal decomposition techniques, including Empirical Mode Decomposition (EMD), Ensemble EMD (EEMD), Variational Mode Decomposition (VMD), and Local Mode Decomposition (LMD), noting their advancements and limitations, such as mode mixing and end effects. It highlights the superiority of VMD over traditional methods due to its ability to avoid mode mixing and effectively extract fault features. The introduction also presents a novel decomposition method called Feature Mode Decomposition (FMD), which addresses the shortcomings of existing techniques by utilizing a FIR filter bank and maximum correlation kurtosis deconvolution. Additionally, a new health indicator, the Sparsity Impact Measure Index (SIMI), is introduced to enhance the optimization process by analyzing fault characteristics in the presence of noise. The paper outlines its structure, indicating that subsequent sections will elaborate on FMD, its adaptive optimization, and real-world applications.
Methods
The proposed methodology employs the Adaptive Harmony Algorithm (AHA) to optimize the parameters of the Fast Modal Decomposition (FMD) technique, utilizing a fitness function denoted as $SIMI_i$ for each mode, where $i = 1, 2, \ldots, N$. The process begins by initializing the AHA with a population of 30 and setting a maximum iteration limit of 20. Raw signals are input into the FMD with predetermined parameter values, leading to the decomposition of these signals into various modes. The fitness function $SIMI$ is computed for each mode until the maximum iteration is reached, allowing for the evaluation of the global optimal fitness function, which yields the optimal values for the mode number ($K$) and filter length ($L$).
Subsequently, the energy for each mode is calculated, and specific energy intervals are established, which are then transformed into Support Vector Normalized Samples (SVNSs) to create training and testing datasets. The methodology employs the minimum argument principle to identify different bearing faults by comparing the least Support Vector Normalized Classification Error (SVNCE) values between the SVNSs of testing samples (from unknown bearing conditions) and those of training samples (from known bearing conditions). This approach is designed for real-time applications, enhancing the detection of bearing faults effectively.
Discussion
In the discussion section, the authors analyze the effectiveness of the Feature Mode Decomposition (FMD) technique proposed by Miao et al. They emphasize the importance of the mode number \( K \) and filter length \( L \) in determining the filtering properties of FMD. Specifically, they note that varying \( K \) while keeping \( L \) constant leads to larger filter bandwidths and less effective denoising, whereas fixing \( K \) and varying \( L \) results in undesirable pass-band ripples. This indicates that a careful selection of these parameters is crucial for optimizing the decomposition capabilities of FMD.
The section also introduces the Symmetric Single-Valued Neutrosophic Cross-Entropy (SVNCE) measure, which is derived from theorems that establish its minimum and maximum values. The authors highlight the significance of developing a health indicator (HI) that combines approximate entropy (ApEn) and kurtosis index (KI) to enhance the adaptive nature of FMD. The HI is designed to improve the detection of faults by providing a fitness function for optimization algorithms. The authors propose the use of the Artificial Hummingbird Algorithm (AHA) for optimizing FMD parameters, which is inspired by the foraging behavior of hummingbirds. The results demonstrate that the proposed method achieves a high accuracy of 99.6% in identifying bearing defects, outperforming existing techniques such as EEMD and VMD.