A New Bearing Fault Diagnosis Approach based on Common Spatial Pattern Features

• Published in: Niğde Ömer Halisdemir Üniversitesi mühendislik bilimleri dergisi
• Main Authors: GÜRSEL ÖZMEN, Nurhan, KARABACAK, Yunus Emre
• Format: Journal Article
• Language: Turkish
• Published: 05-09-2023
• ISSN: 2564-6605; 2564-6605
• DOI: 10.28948/ngumuh.1330864

This study offers a novel intelligent detection method of rolling bearings that applied: the Common Spatial Pattern (CSP) method for feature extraction of bearing faults. CSP maximizes the variance ratio of the two class signal matrices coming from different sources. Different from the frequency features, characteristic vibration features from each measurement that can distinguish between the faulty and the healthy bearings were extracted. Artificial Neural Network (ANN), Support Vector Machine (SVM), and K-Nearest Neighbour (k-NN) methods were tested on two different data sets. An 88.5% accuracy was obtained with ANN for two-class fault detection and 93.5% for fault classification. The classification results were compared with classical time domain feature sets. CSP features have achieved higher accuracies in all two-class and multiclass cases. Therefore, the CSP features can be a possible means for condition monitoring of bearings through vibration data.
Bu çalışmada, rulmanlar için Ortak Uzamsal Örüntü (OUÖ) yöntemine dayalı, yeni bir akıllı arıza teşhis metodu sunulmuştur. OUÖ yöntemi, farklı kaynaklardan gelen iki sinyalin oluşturduğu matrisinin varyansını maksimize etmektedir. OUÖ yöntemiyle, frekans özelliklerinden farklı olarak, her ölçüm sinyalinden arızalı ve sağlıklı rulmanları ayırt edebilen karakteristik titreşim özellikleri çıkarılmıştır. İki farklı veri setinden elde edilen OUÖ öznitelikleri, Yapay Sinir Ağları (YSA), Destek Vektör Makinesi (DVM) ve K-En Yakın Komşu (k-YK) algoritmaları kullanılarak sınıflandırılmıştır. YSA ile iki sınıflı arıza teşhisinde %88.5, arıza türünün sınıflandırılmasında ise %93.5 doğruluk başarısı elde edilmiştir. Ayrıca, OUÖ yöntemine dayalı olarak elde edilen sınıflandırma sonuçları, klasik zaman alanı öznitelikleri ile elde edilen sonuçlarla karşılaştırılmıştır. OUÖ öznitelikleri ile, tüm iki sınıflı ve çok sınıflı tahmin durumlarında daha yüksek doğruluk elde edilmiştir. Bu nedenle, OUÖ öznitelikleri, titreşim verileri aracılığıyla rulmanların durumunun izlenmesi için etkili bir araç olabilir.