没有合适的资源?快使用搜索试试~ 我知道了~
基于相似性的轴承预测性维护软件
软件影响16(2023)100503原始软件出版物SB-PdM:基于有限标记数据Sulaiman Aburakhia Abdallah Shami电子与计算机工程系,西安大略大学,1151 Richmond St,London,Ontario,Canada N6A 3K7A R T I C L E I N F O保留字:滚动轴承预测性维护状态监测故障诊断基于相似性的分类振动分析智能制造A B标准滚动轴承的经典预测维护(PdM)方法依赖于监督学习,其涉及在标记数据集上训练分类器以对轴承的当前状态进行分类。在实际情况中,标记数据可能在其大小和类型方面受到限制,这可能使其难以用于训练预测性维护模型。所提出的基于相似性的PdM(SB-PdM)软件通过将分类任务作为参考样本的相似性度量来解决有限标记数据的挑战,而不是使用监督分类。实验结果证实了所提出的SB-PdM软件在实现非常高的准确性方面的有效性,同时与传统的基于机器学习(ML)的方法相比,代码元数据当前代码版本V1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2023-87可再生胶囊的永久链接https://codeocean.com/capsule/8195132/tree/v4法律代码许可证MIT许可证使用的代码版本控制系统无软件代码语言,工具和服务使用Python,笔记本电脑编译要求,操作环境依赖Python 3.6+,numpy,pandas,scikit-learn,scipy,scikit-image,PyWavelet如果可用,链接到开发人员文档/手册https://github.com/Western-OC2-Lab/SB-PdM-a-tool-for-predictive-maintenance-of-rolling-bearings-based-on-limited-labeled-data/blob/main/README.md问题支持电子邮件saburakh@uwo.c1. 介绍预测性维护(Predictive Maintenance,PdM)方法已被广泛应用于滚动轴承的维护管理。PdM的主要概念是持续监控轴承的状况,并根据实际状况预测维护措施。PdM通常涉及两个主要任务。第一个任务是使用各种信号处理技术从轴承相关数据(例如振动信号)中提取有用的特征。 第二个任务是利用提取的特征来分类或预测正常和异常的操作条件,例如识别潜在的故障或预测剩余的使用寿命。PdM的经典方法通常使用监督学习技术[1]来训练分类器。功能.然而,这些方法可能受到需要大量标记数据以实现最佳性能的限制。在许多现实世界的工业情况下,标记数据的大小可能有限,因此很难单独使用监督学习来训练准确的预测模型。此外,获得可以有效地对所有可能的类别或操作条件进行建模的标记数据可能是具有挑战性的,特别是对于可能是罕见的或不可预测的异常条件。例如,虽然可以获得能够对标准或正常状况进行建模的足够样本,但是异常状况的样本可能不足以或不可用以准确地对所有可能的异常操作状况进行建模。基于相似性的方法[2与监督学习相比本文中的代码(和数据)已由Code Ocean认证为可复制:(https://codeocean.com/)。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗通讯作者。电子邮件地址:saburakh@uwo.ca(美国) Aburakhia),abdallah. uwo.ca(A.Shami)。https://doi.org/10.1016/j.simpa.2023.100503接收日期:2023年2月25日;接收日期:2023年3月20日;接受日期:2023年3月29日2665-9638/©2023作者。由Elsevier B.V.出版。这是一篇开放获取的文章,使用CC BY许可证(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表软件影响杂志 首页:www.journals.elsevier.com/software-impactsS. Aburakhia和A. 沙米软件影响16(2023)1005032Fig. 1. SB-PdM软件的高级概述。基于相似性的技术通过以下方式执行分类任务:(1)测量给定测试样本与类别标记的参考样本之间的相似性,以及(2)利用所得的相似性分数来确定测试样本所属的类别。相对于 由于开源软件的可用性,大多数现有的PdM应用程序代码库都建立在ML监督分类的基础上,并假定对标记数据集的广泛访问。因此,在这方面,数据不可用的实际情况,例如在PdM解决方案部署和专业应用的早期阶段,往往被忽视。拟议的SB-PdM软件旨在解决这些实际情况,并填补PdM应用程序开放源码软件可用性方面的现有空白。基于相似性分类的概念和SB-PdM软件的详细信息将在下一节中介绍。2. SB-PdM关键方面和代码功能SB-PdM的理论背景、使用案例和输出已在S. Aburakhia等人[6]。SB-PdM的高级概述如图1所示。如图所示,为执行基于相似性的分类,每个操作条件(类别)都应提供标记的参考振动段。过程完整性的监测,然后实现连续测量之间的特征空间的相似性产生的振动段和标记的参考振动段。 因此,SB-PdM软件通过评估所得的相似性分数来实现不同操作条件的分类。振动段和特定标记的参考段之间的相似性越高,它们属于相同条件(类)的概率就越高。值得注意的是,在基于相似性的分类中, 参考样品代表其相应的类别,因此,它应充分描述类别内的所有变化或模式[5]。例如,在电机速度可能变化的旋转机械应用中,重要的是要有一个参考样本, 每个速度曲线,以更好地模拟不同的操作条件的机器。2.1. SB-PdM软件SB-PdM软件包括两个主要阶段:特征提取和相似性度量。每个阶段的主要亮点是下面提供,并且进一步的细节可以在S. Aburakhia等人[6]的文件。2.1.1. 特征提取提取的特征的主要方面是,它们应该直接与操作过程相关,具有高度的完整性和对过程中任何变化的敏感性。常见的特征提取方法包括时域分析[7]、频域分析[2]和在时域分析中,信号的统计特性,如峰度,偏度,波峰因数,峰值被用作特征。虽然时域分析是一种提取特征的简单方法,但它对过程变化的敏感性较低,特别是在振动段持续时间较短的情况下。此外,时域分析通常不能有效地用于高噪声环境中。频域分析,例如快速傅立叶变换(FFT),允许提取对操作条件的变化敏感的频谱相关特征。然而,频域分析可以捕获信号的频率内容,但是它不能提供关于信号中的时间变化的信息。另一方面,与傅立叶分析相比,时间-频率域分析(诸如小波分析)可以提供更好的时间和频率局部化。常用的时频域分析方法包括短时傅立叶变换(STFT)、小波包变换(WPT)和希尔伯特-黄变换(HHT)。在SB-PdM软件中,功能经过设计,以满足两个主要要求:• 描述数据中所有操作条件(类)的固有特性。• 对数据中的不同操作条件这些要求通过利用频域分析和时频域分析来提取特征来满足。 具体地说,FFT,STFT和WPT被用来提取振动段的特征。2.1.2. 相似性度量关于相似性度量,它应该提供表示两个输入之间的相似性得分的量化值。该相似性得分可以用于评估两个人在一起的概率。S. Aburakhia和A. 沙米软件影响16(2023)1005033输入属于同一类。相似性分数越高,它们属于同一类的概率就越高。在SB-PdM中,将相似性度量应用于所提取的特征 在特征空间中标记的参考振动段和生成的振动段之间的相似性。因此,它有效作为一个基于相似性的分类器与需要标记数据集进行训练的监督分类相比,基于相似性的分类需要每个操作条件(类别)的一个标记参考振动段。SB-PdM使用结构相似性(SSIM)[9]、余弦相似性和欧几里得距离来执行标记参考段和生成振动段的提取特征之间的相似性测量。2.2. SB-PdM代码功能在这里,我们描述了GitHub上代码库的功能[10]。该软件使用Python编程语言开发,并使用Numpy [11],Pandas [12],Scikit-learn [13] , scipy [14] , scikit-image [15] 和 PyWavelet [16] 包 。GitHub仓库包含以下文件:1. Reference_Samples.csv和Test_Samples. rar:这些是包含参考标记振动段和测试段的.csv文件。从凯斯西储大学(CWRU)轴承数据中提取振动段[17]。数据由正常和故障轴承的振动信号组成。分别在内滚道、球和外滚道处引入直径从0.007英寸到0.040英寸的故障,以模拟不同类型的故障。 故障轴承被重新安装到测试电机中,并记录电机负载范围从0到3马力,对应于1730、1750、1772和1797 RPM的电机速度。以每秒12,000个样本的速率收集数字数据以捕获振动信号。 根据运行工况和故障直径,将异常运行工况分为9类。因此,振动数据由10个操作条件或类别组成,包括一个正常操作类别和代表不同类型故障的九个故障操作类别。每个振动信号被分成每个2000个数据点的段。在12,000 KHz的采样率下,这导致0.166 s间隔的振动段,该振动段足够短以用于状态监测的目的并降低计算要求。得到的分段振动数据由3019个振动段组成。对于每个类,一个参考段 从四个电机速度曲线中的每一个中选择, 总共40个参考段,每个类有四个参考段。总共有2979个测试段,可以 用于评估SB-PdM软件的性能2. SB_PdM_Tool.ipynb:这是包含SB-PdM代码的Jupiter笔记本。它包括五个功能:(a) apply_fft : 该 函 数 将 FFT 应 用 于 输 入 振 动 段 频 谱"freq_values“的正部分参数(b) apply_stft:对输入振动段执行STFT的函数。STFT提供输入振动段的时域分析,这允许提取时间-频率特征,因为STFT确定段随时间变化的频率内容。 这是通过将输入时域振动段"x"划分为相等时间长度"seg_length“的局部子段来实现的的SEB段之间的重叠百分比由参数"num_overlaps“控制然后通过计算其长度等于"fft_length“的傅立叶变换来获得每个段的频谱 这导致由功率谱密度(PSD)"s“组成的矩阵。 每个子段。该矩阵表示振动段的频谱图,其是时间-频率域中的段频谱的二维表示。因此,频谱图示出了时间-频率域中的分段的分辨率。STFT特征通过取振动段的所得PSD矩阵的绝对值"abs(s)“来获得在软件中,STFT参数设置如下:• seg_length=num_samples/2。• 窗口=汉明窗口。• num_overlaps=num_samples的95%。• fft_length=1028。(c) wpt_entropy:该函数从输入振动段"x“提取WPT特征WPT使用基本小波函数的缩放版本将输入振动段分解成在时间和频率上具有高度局部化的基本波形。该函数的第一步涉及使用num_levels-level WPT分解来分解输入振动段。参数wavelet_function指定用于分解的小波基函数。在SB-PdM软件中,使用Daubechies 4(dp 4)小波。关于选择合适小波的更多细节可以在[8]中找到。相应地,在第二步中,从各个小波系数重构低频子带和高频子带的2个���������������������������在第三步中,将香农熵应用于每个合成波形以获得其熵。因此,针对每个输入振动段构造WPT熵特征向量"wpt在软件中,num_levels设置为5。(d) similarity_measures:执行相似性测量的函数。它在参考段"baselines_features“的特征和测试段"test_samples_features”的特征之间应用相似性度量所应用的相似性度量是SSIM、余弦相似性和欧几里得距离。对于每个相似性度量,创建包含给定测试片段和所有标记的参考片段之间的相似性分数的记录(ssim_record:SSIM分数,dist_record:余弦相似性分数,以及dist2_record:欧几里得距离分数)。因此,分数记录的长度等于参考段的数量。记录中的第一个值表示给定测试片段和第一参考片段之间的相似性分数,第二个值表示第二参考片段之间的相似性,因此吧因此,函数找到最高相似度-记录中的标签得分,并利用参考段“baseline_labels”的标签向量该函数返回以下项目:• y_ssim:使用测试振动段的余弦相似性分数预测的类。• y_cos:使用测试振动段的SSIM分数预测的类别。• y_Ecl:使用测试振动段的欧几里得距离分数预测的类。(e) similarity_based_classification:该函数调用similarity_measures函数,具有相同的输入,并提供相同的输出。参数S. Aburakhia和A. 沙米软件影响16(2023)1005034布尔类型,并指定是否应将属于同一类的参照线段的要素平均化。默认值为False(即对特征求平均值)。发现在特征提取阶段之后和应用基于相似性的分类之前对相同类别的参考片段进行平均与在特征提取阶段之前对它们进行平均相比提高了准确性[6]。此外,对同一类别的参考片段进行平均将降低下一阶段的计算复杂度[6]。存档的结果证实了该软件在检测和诊断滚动轴承故障3. 绩效评价根据分类准确度评价SB-PdM软件的性能,分类准确度将正确分类的测试样本量化为总测试样本的百分比。通过使用FFT特征,SSIM、余弦相似度和欧氏距离分别达到99.4%、99.6%和99.4%的准确率。在WPT熵特征下,SSIM、余弦相似度和欧氏距离的识别率分别为98.52%、93.52%和95.50%。最后,利用STFT特征,SSIM、余弦相似度和欧氏距离的识别率分别为99.33%、98.76%和99.36%。这些结果证实了SB-PdM软件在检测和诊断滚动轴承的不同故障的有效性。关于存储器要求,虽然WPT熵实现了与FFT和STFT相比略低的性能,但它具有更高的存储器效率,因为与其他两种方法相比,它导致了最小的特征大小。具体地说,通过5级分解,WPT熵从输入振动段中提取1×32个特征。 FFT和STFT分别提取1× 1000和515× 41个特征。有关SB-PdM软件性能评估的更多信息,请参见[6]。4. 软件影响为滚动轴承的状态监测和故障诊断构建可靠而全面的数据集是一个耗时的过程,需要昂贵的专用资源。此外,选择和调整合适的ML模型是一项具有挑战性的任务[18]。此外,异常条件下的振动信号的样本通常不如正常条件下的振动信号的样本丰富。SB-PdM软件在这种情况下提供了一个实用的解决方案,因为它需要为每个操作条件(类别)提供一个标记的参考振动样本,而不是一个完整的标记数据集。这种数据可用性的灵活性满足了许多实际工业应用的要求,特别是在解决方案部署的早期阶段,只有有限数量的标记数据可用。此外,大多数现有的状态监测软件的代码库是基于传统的ML监督分类,并要求标记的数据集是可用的。从这个角度来看,SB-PdM被认为是一个创新和实用的软件,填补了开放软件的可用性,可以与有限的标记数据集。此外,值得注意的是,SB-PdM软件的相应论文[6]在第五届通信、信号处理及其应用国际会议(ICCSPA'22)上获得了最佳论文奖这一认识突出了SB-PdM软件在滚动轴承状态监测和故障诊断领域的重要性和潜力除了这些优点之外,再现性和透明度是SB-PdM软件的另外两个优点随着SB-PdM软件的源代码的公开,研究人员和专业人士可以在他们的SB-PdM软件完全用Python编写,这是一个优势,Python是一种易于理解的语言。此外,由于Python的灵活性和在相关应用程序中的广泛使用,该软件最后,在SB-PdM软件中使用的基于相似性的分类方法可以被应用作为解决其他领域中的相似分类问题的一般方法,诸如异常检测、图像分类、疾病诊断和模式识别。 因此,更广泛的研究人员和数据分析师社区可以从中受益。5. 结论和未来的研究方向介绍了一种基于相似分类的数据驱动的滚动轴承状态监测软件SB-PdM。 这个软件解决了有限的可用性 的 标记 数据通过利用基于相似性的分类,对于每个操作条件仅需要一个标记的样本。与基于机器学习的方法相比,该软件具有较高的准确性和中等的计算要求,如实验结果所示。这些结果突出了基于振动的滚动轴承状态监测SB-PdM软件未来可能的研究方向包括开发更有效的信号去噪方法,探索更有效的特征提取技术,以及设计定制的相似性度量。滚动轴承通常在具有多个噪声源的噪声环境中运行,导致振动信号受损。因此,了解噪声特性及其对振动信号的影响对于开发有效的信号去噪技术至关重要。关于特征提取,SB-PdM将振动段转换为与时域表示相比具有高辨别能力的特征表示,并测量特征空间中参考和输入振动段之间的相似性。该软件目前使用FFT、STFT和WPT进行特征提取。然而,未来的研究方向可以探索其他方法来提取更具鉴别力的特征,而计算要求更低。第三个研究方向可以从准确性和计算复杂性的角度研究开发定制相似性度量的可能性和可行性, 直接应用于振动段的时域表示。这里的目标是通过消除特征提取阶段来简化软件,减少内存需求和处理时间。CRediT作者贡献声明Sulaiman Aburakhia:概念化,方法论,软件,验证,形式分析,调查,数据管理,写作-原始草稿,可视化。Abdallah Shami:概念化,资源,撰写评论竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作致谢这项工作部分由加拿大国家研究委员会资助,项目编号:AM-105-1S. Aburakhia和A. 沙米软件影响16(2023)1005035引用[1]L. Yang,杨树A. Shami,机器学习算法的超参数优化:理论与实践,神经计算415(2020)295//dx.doi.org/10.1016/j.neucom.2020.07.061网站。[2]I. Attoui,基于少量标记数据的新型快速自动状态监测策略,IEEE Trans.Syst.ManCybern.:System.52(2)(2022)1266http://dx.doi.org/10.1109/tsmc.2020.3018102[3]I. Attoui,N. Boutasseta,N. Fergani,基于新的机械监控策略 有限标记数据的时频 域 相 似 性 度 量 , IEEETrans.Instrum.Meas.70 ( 2021 ) 1http://dx.doi.org/10.1109/tim.2020。3011874.[4]P. Arun,S.A. Lincon,N. Prabhakaran,基于频谱图模式匹配的轴承振动分析自动化方法,J.Appl.Res.Technol.17(2)(2019)http://dx.doi.org/10.22201/icat.16656423.2019.17.2.805。[5]S. Aburakhia,T. 塔耶河 Myers,A. 沙米…一个转移用于使用正态模型的异常检测的学习框架,在:2020月11 IEEE 年度信息技术,电子和移动通信会议 , IEMCON , 2020 , http://dx.doi.org/10.1109/iemcon51383.2020 。9284916。[6]S. Aburakhia,T.塔耶河Myers,A. Shami,基于相似性的旋转机械预测维护框架,2022年第五届通信,信号处理及其应用国际会议,ICCSPA'22 , 埃 及 开罗,2022年。[7]B.R. Nayana,P. Geethanjali,从振动信号中识别轴承故障的统计时域特征有效性分析,IEEESens.J.17(17)(2017)5618http://dx.doi.org/10.1109/jsen.2017.2727638[8]S.A. 阿布拉希亚河 Myers,A. 沈国斌,滚动轴承状态监测与故障诊断的一种新方法 , 国 立 成 功 大 学 机 械 工 程 研 究 所 硕 士 论 文 。 Meas. 71 ( 2022 ) 1http://dx.doi.org/10.1109/tim.2022。三一九八四七七。[9]Z. Wang,A.C. Bovik,H.R. Sheikh,E.P. Simoncelli,图像质量评估:从错误可见性 到 结 构 相 似 性 , IEEE Trans. 图 像 处 理 。 13 ( 4 ) ( 2004 )600http://dx.doi.org/10.1109/tip.2003.819861[10] SB-PDM-一种基于-有限标记数据。GitHub.检索一月23,2023,从 http://github.com/Western-OC2-Lab/SB-PdM-a-tool-for-predictive-maintenance-of-rolling-bearings-based-on-limited-labeled-data.[11] C.R.放大图片作者:Harris,K. J. Millman,S. J. Gommers,P. Virtanen,D.Cournapeau,E.作者:J.Berg,N. J. Smith,R.克恩,M。Picus,S. Hoyer,M.H. van Kerkwijk,M.布雷特,A.哈勒什,J.F. del Rio,M. Wiebe,P. 彼得森等 人 , 使 用 NumPy 进 行 数 组 编 程 , Nature 585 ( 7825 ) ( 2020 )357http://dx.doi.org/10.1038/s41586-020-2649-2[12] W. McKinney,Python中统计计算的数据结构,在:Proceedings of the Python inScience Conference,2010,http://dx.doi.org/10.25080/majora-92 bf 1922 - 00a。[13] F. Pedregosa等人,Scikit-learn Python中的机器学习,J. Mach。学习. 第 12(2011)号决议第2825-2830段。[14] Scipy,《用Python学习科学编程》,2020年,pp. 358//dx.doi.org/10.1017/9781108778039.009网站。[15] S.范德沃特Schönberger,J.Nunez-Iglesias,F.布洛涅华纳,N. Yager,E. Gouillart,T. Yu,Scikit-image:Python中的图像处理,PeerJ 2(2014)http://dx.doi.org/10.7717/peerj.453。[16] G. 利 河 , 巴 西 - 地 Gommers , F. Waselewski , K. Wohlfahrt , A. O'Leary ,PyWavelet: A python package for Wavelet Analysis , J.开 源 软 件 4 ( 36 )(2019)1237,http://dx.doi.org/10.21105/joss.01237。[17] 轴承数据中心:Case工程学院:凯斯西储大学,凯斯工程学院,2021年,2023年1月23日检索,来自https://engineering.case.edu/bearingdatacenter。[18] L. Yang,杨树A. Shami,动态环境中的物联网数据分析:从自动化机器学习的角度来看,工程应用。内特尔116(2022)http://dx.doi.org/10.1016/j.engappai.2022.105366。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- BSC关键绩效财务与客户指标详解
- 绘制企业战略地图:从财务到客户价值的六步法
- BSC关键绩效指标详解:财务与运营效率评估
- 手持移动数据终端:常见问题与WIFI设置指南
- 平衡计分卡(BSC):绩效管理与战略实施工具
- ESP8266智能家居控制系统设计与实现
- ESP8266在智能家居中的应用——网络家电控制系统
- BSC:平衡计分卡在绩效管理与信息技术中的应用
- 手持移动数据终端:常见问题与解决办法
- BSC模板:四大领域关键绩效指标详解(财务、客户、运营与成长)
- BSC:从绩效考核到计算机网络的关键概念
- BSC模板:四大维度关键绩效指标详解与预算达成分析
- 平衡计分卡(BSC):绩效考核与战略实施工具
- K-means聚类算法详解及其优缺点
- 平衡计分卡(BSC):从绩效考核到战略实施
- BSC:平衡计分卡与计算机网络中的应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功