Application of Wavelets-based SVM Classification for Automated Fault Diagnosis and Prognosis of Mechanical Systems

In this thesis, the application of pattern recognition techniques is considered for different kinds of fault diagnosis and prognosis problems and applications. The investigated applications represent real industrial applications, in which different measurement characteristics (such as cyclic, impulsive, and periodic signals), different recognition objective characteristics (such as accumulative and one-time events), different operational conditions and parameters of the machine, and different faults and detection system requirements (such as wear, crack, and object detection; System state and remaining life time) are challenging the existence of modular pattern recognition procedures and techniques. Different approaches are investigated and applied such as Support Vector Machine (SVM), Discrete Wavelet Transform (DWT), Wavelet Packet Transform (WPT), and Continuous Wavelet Transform (CWT), and many concepts and solutions are proposed and verified, in order to achieve a reliable condition monitoring system, which supports the maintenance planning of the machine and adds value to the production quality and cost. In the first investigated application in this thesis, an approach for developing a fault diagnosis and prognosis system is presented. The system is used as a prewarning module to detect the necessity for replacing wear parts of production machines and to evaluate the remaining life time of the supervised part. The sensor signals encountered for processing are nondeterministic with cyclic nature related to the operation cycle of the machine. In the second investigated application, the goal is to monitor a production process for online detection of a target object with the lowest possible false alarm rate. The signals encountered in the system of this work are characterized with nonstationary impulsive one-time events representing the goal object. Another characteristic of the sensor cluster signals is the partly simultaneous stimulation of events which requires the use of suitable decision fusion techniques. In the last investigated application, two main approaches used for crack detection and prediction in rotating machinery; model based and signal based, are investigated, in order to achieve a prewarning technique for rotor cracks to be applied for online monitoring in turbo-machinery. The signals encountered are periodic vibration signals with accumulative impact of the fault incident. Open questions arise in the issues of state evaluation, severity estimation, and remaining life time prediction, based on specific sensor data with particular applicationoriented characteristics. This work deals with these open questions, in order to achieve a reliable condition monitoring system. As a general conclusion of the work, it can be stated that Wavelets and SVM are reliable tools for feature extraction and classification in the field of condition monitoring, and the feature space of SVM is useful for remaining life prediction. However; specific application oriented Solutions and tricks are necessary, considering the diversity of fault diagnosis and prognosis problems and difficulties.

In dieser Arbeit werden Techniken der Mustererkennung auf verschiedene Problemstellungen der Fehlerdiagnose und -prognose angewendet. Die untersuchten Anwendungen stellen reale industrielle Anwendungen dar, bei denen verschiedene Messeigenschaften (wie zyklische, impulsive, und periodische Signale), verschiedene Charakteristik der Erkennungsobjektiven (wie kumulativ und einmalige Ereignisse), verschiedene Betriebsbedingungen und -parameter der Maschine, und verschiedene Fehler und Erkennungssystemanforderungen (wie Verschleiß, Riss, und Objekterkennung; Systemzustand und Restlebensdauer) die modulare Mustererkennungsverfahren und -techniken erfordern. Verschiedene Ansätze werden untersucht und angewendet, wie Support Vector Machine (SVM), Continuous Wavelet-Transform (CWT),Wavelet Packet Transform (WPT) und Diskrete Wavelet-Transform (DWT), und viele Konzepte und Lösungen werden vorgeschlagen und überprüft, um ein zuverlässiges Zustandsüberwachungssystem zu erreichen, dass die Instandhaltungsplanung der Maschine unterstützt und die Produktionsqualität und Produktionskosten verbessert. In der ersten untersuchten Anwendung in dieser Arbeit wird ein Ansatz für die Entwicklung eines Fehlerdiagnose- und -prognosesystems vorgestellt. Das System wird als Vorwarnmodul verwendet, um die Notwendigkeit für das Ersetzen von Verschleißteilen von Produktionsmaschinen zu erkennen und die Restlebensdauer des überwachten Teils zu bewerten. In der zweiten untersuchten Anwendung wird ein Produktionsverfahren überwacht. Ziel ist die Erkennung eines Objektes mit einer möglichst geringen Fehlalarmrate. Die Signale beinhalten nichtstationäre, impulsartige bzw. einmalige Ereignisse. Ein weiteres Merkmal der Sensorcluster-Signale ist die nicht gleichzeitige Erzeugung von Ereignissen, die die Verwendung von geeigneten Entscheidungsfusionstechniken erfordert. In der letzten untersuchten Anwendung, werden modell- und signalbasierte Verfahren für die Risserkennung und Prognose in rotierenden Maschinen untersucht, um eine Vorwarnung für Rotor-Risse zu erreichen für Online- Überwachung in Turbomaschinen. Die angetroffenen Signale sind periodische Schwingungssignale mit kumulativen Auswirkungen der Fehlerereignisse. Offene Fragen stellen sich bei den Themen Zustandsbewertung, Fehlerschweregrad und Restlebensdauer, basierend auf spezifischen Sensordaten mit besonderen anwendungsorientierten Eigenschaften. Diese Arbeit befasst sich mit diesen offenen Fragen, um ein zuverlässiges Zustandsüberwachungssystem zu erreichen. Es kann festgestellt werden, dass Wavelets und SVM sehr nützliche Werkzeuge für die Merkmalsextraktion und Klassifikation im Bereich der Zustandsüberwachung sind. Der Merkmalsraum von SVM ist nützlich für die Bewertung der verbleibenden Lebensdauer. Allerdings zeigt sich ebenfalls, dass angesichts der Herausforderungen anwendungsorientierte Lösungen gefunden werden müssen.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten