Diagnóstico de fallas en rodamientos mediante imágenes tiempo-frecuencia utilizando aprendizaje profundo.

Abstract

Los rodamientos son cruciales para el funcionamiento de las máquinas rotatorias, por lo que en esta memoria se desarrolla una metodología que utiliza las Convolutional Neural Networks (CNN) para clasificar de manera automática imágenes tiempo-frecuencia, que son generadas por la Short-Time Fourier Transform (STFT) y se encuentran asociadas a distintos modos de falla del rodamiento. Esta metodología se desarrolla con tal de entregar una herramienta que permita mejorar la confiabilidad de estos componentes, mediante la aplicación de inteligencia artificial. La aplicación de esta metodología contempla la evaluación de la influencia asociada al uso de distintas configuraciones, tales como la duración de la señal, normalización de colores y ancho de ventana de la STFT. La duración de la señal afecta directamente en la cantidad de imágenes disponibles para el entrenamiento. Donde una mayor cantidad de imágenes mejora el desempeño de la CNN, mientras que una baja disponibilidad afecta negativamente al desempeño de esta. En cuanto a la normalización de colores, se evalúan tres tipos de normalización: local, global y por señal. La normalización local obtiene los mejores resultados, puesto que resalta de manera efectiva las características representativas asociadas a los modos de falla del rodamiento. Posteriormente, para la configuración final se tiene que un ancho de ventana pequeño presenta los mejores los resultados. Siendo una de las configuraciones más importantes con tal de aumentar la robustez y generalización del modelo resultante. Entre otras consideraciones, la selección correcta de hiperparámetros de la CNN contribuye a mitigar la influencia de la inicialización aleatoria de pesos, y por ende ayuda a disminuir la variabilidad de los resultados de la CNN. Finalmente, las mejores configuraciones corresponden a una duración de 10 giros del eje, normalización local y ancho de ventana de 4096 puntos de la señal, para las que se genera un modelo que alcanza un 100% de precisión en la clasificación de estas imágenes tiempo-frecuencia. Entre otros aportes de esta memoria, se encuentra la evaluación de factibilidad del uso de Transfer Learning (TL) entre distintos bancos de datos de rodamientos. Lo que se realiza con el fin abordar la problemática asociada a la escasez de datos de falla disponibles, una situación común en la industria. Estos bancos de datos constan de distintas condiciones de operación y modos de falla en común. El TL se realiza utilizando el conocimiento previamente adquirido durante el entrenamiento de la CNN en el banco de datos de la Universidad de Ottawa, considerándose las mejores configuraciones mencionadas. Posteriormente, este conocimiento se trasfiere a un nuevo banco de datos de la American Society for Machinery Fault Prevention Technology mediante técnicas de TL, como el Fine-Tuning. Para lo que se obtiene como resultado una mayor velocidad de entrenamiento y convergencia del modelo, con una precisión promedio del 100% ± 0,00 y presentándose como solución ante una baja cantidad de datos disponibles de falla. Lo que convierte el TL como una alternativa factible para su aplicación en la industria.

Bearings are crucial for the operation of rotating machines, so in this thesis is developed a methodology that uses Convolutional Neural Networks (CNN) to automatically classify time-frequency images, which are generated by the Short-Time Fourier Transform (STFT) and are associated with different bearing failure modes. This methodology is developed in order to deliver a tool that allows improving the reliability of these components, through the application of artificial intelligence. The application of this methodology contemplates the evaluation of the influence associated with the use of different configurations, such as the duration of the signal, normalization of colors and window width of the STFT. The signal duration directly affects the number of images available for training. Where a greater number of images improves the performance of CNN, while low availability negatively affects its performance. In respect to color normalization, three types of normalization are evaluated: local, global and by signal. Local normalization achieves the best results, since it effectively highlights representative characteristics associated with bearing failure modes. Subsequently, for the final configuration, a small window width presents the best results. Being one of the most important configurations in order to increase the robustness and generalization of the resulting model. Among other considerations, the correct selection of CNN hyperparameters contributes to mitigate the influence of random initialization of weights, and therefore contributes to reduce the variability of the CNN results. Finally, the best configurations correspond to a duration of 10 revolutions of the shaft, local normalization and window width of 4096 signal points, for which a model is generated that reaches 100% accuracy in the classification of these time-frequency images. Among other contributions of this memory, there is the evaluation of the feasibility of the use of TL between different datasets of bearings. Which is done in order to address the problems associated with the scarcity of available failure data, a common situation in the industry. These datasets consist of different operating conditions and failure modes in common. The TL is carried out using the knowledge previously acquired during the training of the CNN in the dataset of the University of Ottawa, considering the best configurations mentioned. Subsequently, this knowledge is transferred to a new dataset of the American Society for Machinery Fault Prevention Technology using TL techniques, such as Fine-Tuning. For which, as a result, a greater training speed and convergence of the model is obtained, with an average precision of 100% ± 0.00 and presenting itself as a solution to a low amount of available failure data. Which turns the use of TL as a feasible alternative for its application in the industry.