Show simple item record

dc.contributor.authorKansanaho, Jarno
dc.date.accessioned2019-11-08T14:18:12Z
dc.date.available2019-11-08T14:18:12Z
dc.date.issued2019
dc.identifier.isbn978-951-39-7936-2
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/66287
dc.description.abstractThis thesis focuses on the research and development of the data-driven methods used to diagnose rolling element bearings (REBs) and evaluates the software architectural design of these data-driven methods. REBs are vulnerable components in machinery. Vibration-based condition monitoring is a very popular methodology for monitoring the health of REBs. This research started with the development of methods to analyze and detect incipient local faults of REBs using vibration measurements. The main goal was to find weak vibration signatures generated by local faults in REBs. As a result, a flexible simulator was developed to analyze the vibrations of bearing faults and to evaluate vibration analysis methods, and a spline wavelet-based algorithm were introduced for fault detection. An incipient bearing fault will become enlarged if a machine is run and the faulty bearing has not been replaced. The identification of different lifetime stages of wear evolution is part of the input data for bearing diagnostics and prognostics. A method to detect different lifetime stages of REBs according to their vibration signals was proposed based on an unsupervised learning method. The result of the unsupervised method was exploited in early fault detection utilizing supervised methods. It is important to estimate the severity of a fault, and size is probably the best proxy for severity. Estimating the fault size of defective REBs is one of the top challenges in bearing diagnostics, especially when vibration measurements are used to determine the state of health. A novel method for feature ranking to estimate fault sizes for REBs was presented. Black-box classifiers were applied to detect non-linear relations between features, and it was concluded that the best metrics for basic diagnostics are not necessarily the best qualities for fault size estimation. The final part of this research focuses on design at system-level. Software framework designs encapsulate fault detection and remaining useful life (RUL) estimation methods. As part of the tribotronic system, the object-oriented framework considers bearing applications and potentially extends them to other mechanical applications. Keywords: Rolling element bearing, Bearing diagnostics, Vibration analysis, Feature extraction, Machine learning, Tribological system, Software frameworken
dc.description.abstractVäitöskirjatyöni käsittelee vierintälaakerien kunnonvalvonnassa käytettäviä vikadiagnostiikka- algoritmeja sekä ohjelmistoarkkitehtuurisuunnittelua kyseisten tietoohjautuvien menetelmien näkökulmasta. Tutkimus aloitettiin kehittämällä menetelmiä, joilla analysoidaan ja voidaan havaita vierintälaakerien alkavat paikalliset viat värähtelymittauksia hyödyntämällä. Päätavoitteena oli löytää vierintälaakerien paikallisten vikojen aiheuttamat heikot värähtelyt. Konkreettisena tutkimustuloksena syntyi joustava simulaattori laakerivikojen värähtelyanalyysille ja värähtelyanalyysimenetelmien arviointiin sekä spline-väreitä hyödyntävä algoritmi vierintälaakerivian havaitsemiseen. Vierintälaakerin vaurio suurenee, jos konetta käytetään edelleen, eikä laakeria ei vaihdeta. Vierintälaakerin vaurion etenemisen vaiheiden tunnistaminen on hyödyllistä vian vakavuuden arvioinnissa ja jäljellä olevan käyttöiän ennustamisessa. Tutkimuksessa sovellettiin valvomatonta oppimismenetelmää vierintälaakerin elinkaaren vaiheiden havaitsemiseksi värähtelysignaaleista. Valvomattoman menetelmän tulosta hyödynnettiin varhaisen laakerivian havainnoinnissa ohjattujen menetelmien avulla. Viallisen vierintälaakerin vian vakavuuden arviointi voi olla hyvin haastavaa, erityisesti värähtelymittauksia käytettäessä. Tällöin piirreirrotus värähtelysignaaleista on välttämätöntä. Värähtelysignaalista laskettuja piirteitä on tutkittu ja niitä kehitetään laajasti. Piirteitä arvioidaan, kuinka hyvin niillä pystytään havainnoimaan laakerivika ja kuinka hyvin ne kuvaavat laakerivian vakavuuden tilaa tai sen elinkaaren vaiheita. Tässä tutkimuksessa sovellettiin koneoppimismenetelmiä vian koon arviointiin. Tuloksena syntyi uusi menetelmä värähtelysignaalien piirteiden arvioimiseen sovellettaessa vian koon arviointiin instanssipohjaisia luokittimia. Tämän tutkimuksen viimeisessä osassa keskityttiin järjestelmätason suunnitteluun. Suunniteltu ohjelmistokehys kapseloi vikojen havaitsemisen ja jäljellä olevan käyttöiän arviointimenetelmät. Toteutettu ohjelmistokehys toimii osana tribotronista järjestelmää, jossa vierintälaakeri on tribologinen systeemi. Ohjelmistokehys tarjoaa mahdollisuuden laajentaa sen muihin tribologisiin systeemeihin. Avainsanat: Vierintälaakeri, Laakerien diagnostiikka, Värähtelyanalyysi, Piirreirrotus, Koneoppiminen, Tribotroninen systeemi, Ohjelmistokehysfi
dc.relation.ispartofseriesJYU dissertations
dc.titleData-Driven Methods for Diagnostics of Rolling Element Bearings
dc.identifier.urnURN:ISBN:978-951-39-7936-2
dc.date.digitised


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record