Statistical quality control via machine learning

Abstract

Faults in the rolling element bearings are a common problem in rotating equipment. Therefore predicting and identifying the faults from vibration signals has gained increased attention. The goal of this thesis is to explore and test methods used in bearing fault detection. Fourier transform and envelope analysis are introduced from classical methods and decision tree, k nearest neighbor, and artificial neural network from the field of machine learning. A literature review is conducted for each method separately and other commonly used methods are introduced. As a result, each method was able to detect the faults, and good classification accuracies were achieved. Machine learning methods are dependent on feature extraction and the fault sensitivity of the feature will affect the classification ability.

Vierintälaakereiden viat ovat yleinen ongelma pyörivissä koneissa. Siksi vikojen ennustaminen ja tunnistaminen värähtelysignaaleista on herättänyt kasvavaa kiinnostusta. Tämän työn tavoitteena on käydä läpi ja testata menetelmiä joita on käytetty laakereiden vikojen tunnistamisessa. Klassisia menetelmistä valitaan Fourier muunnos sekä verhokäyräanalyysi. Päätöspuu, K-lähimmän naapurin menetelmä sekä neuroverkko valitaan koneoppimismenetelmistä. Kirjallisuuskatsaus toteutetaan jokaisesta menetelmästä erikseen ja sen lisäksi käydään läpi muita yleisesti käytettyjä menetelmiä. Tutkimuksen tuloksena todetaan, että jokainen menetelmä onnistuu tunnistamaan viat ja saadut luokittelu tarkkuudet olivat hyviä. Koneoppimismenetelmät ovat riippuvaisia erotelluista ominaisuuksista ja ominaisuuden herkkyys vialle vaikuttaa menetelmien luokittelukykyyn.