Verbesserung der Lagerfehlerdiagnose mit der PTPAI-Methode

Wälzlager sind entscheidende Teile von Maschinen, die helfen, dass sie reibungslos laufen. Allerdings können sie aufgrund harter Betriebsbedingungen und langer Nutzung Fehler entwickeln. Diese Fehler zu identifizieren, ist wichtig, und datengestützte Methoden werden dafür oft verwendet. Aber es gibt Herausforderungen, genügend Daten zu bekommen, insbesondere wenn es um fehlerhafte Zustände geht.

Ein grosses Problem ist der Mangel an gekennzeichneten Daten für verschiedene Arten von Fehlern. Manchmal kann eine fehlerhafte Maschine nicht lange genug betrieben werden, um Daten zu sammeln, bevor sie ausfällt. Zudem kann es lange dauern, bis eine Maschine Anzeichen von Verschleiss zeigt, die zu einem Fehler führen, was das Sammeln dieser Daten kostspielig macht. In vielen Fällen zeigen die gesammelten Daten nur gesunde Maschinenzustände, mit wenigen Beispielen für Fehler.

Um dieses Problem anzugehen, haben Forscher versucht, Transferlernen zu verwenden, das es ihnen ermöglicht, Wissen von einer Aufgabe auf eine andere zu übertragen. Es gibt verschiedene Strategien im Transferlernen, wie Subdomänenanpassung und Domänenanpassung, um die Kluft zwischen verschiedenen Datentypen zu überbrücken. Diese Strategien können die Datenverteilungen anpassen, um die Leistung von Machine-Learning-Modellen zu verbessern.

Trotz dieser Fortschritte können reale Datensätze immer noch fehlende Werte aufweisen. Das kann aufgrund von Sensorfehlern, Datenverlusten oder anderen Problemen passieren. Wenn Daten verloren gehen, führt das zu Ungleichgewichten in den Klassen, was die Fehlerdiagnose erschwert. Einige traditionelle Methoden haben Schwierigkeiten, wenn die gekennzeichneten Daten aus der Quelle nicht vollständig in den Ziel-Datensätzen verfügbar sind.

Um diese Probleme besser zu adressieren, wird eine neue Methode, genannt Partial Transfer Learning basierend auf Physik-informierter künstlicher Intelligenz (PTPAI), vorgestellt. Sie zielt darauf ab, die Fehlerdiagnose in Situationen zu verbessern, in denen es wenig gekennzeichnete Daten und viele fehlende Informationen gibt.

#Herausforderungen bei der Fehlerdiagnose von Wälzlagern

Der Prozess der Diagnose von Wälzlagerfehlern hat mehrere Herausforderungen:

#Mangel an gekennzeichneten Daten

Eine der grössten Herausforderungen bei der Diagnose von Fehlern ist das Fehlen von gekennzeichneten Daten für verschiedene Fehlertypen. In vielen industriellen Anwendungen sind nur Daten verfügbar, die den gesunden Zustand von Maschinen darstellen. Das macht es schwierig, effektive Modelle zu trainieren.

#Ungleichgewicht in der Klassenauswertung

In vielen Fällen können die gesammelten Daten stark unausgewogen sein. Gesunde Zustände sind oft überrepräsentiert, während verschiedene Fehlertypen unterrepräsentiert sind. Dieses Ungleichgewicht führt zu Schwierigkeiten beim effektiven Training von Modellen.

#Fehlende Daten

Echte Daten können zahlreiche Fälle von fehlenden Werten aufweisen. Das kann aus verschiedenen Gründen geschehen, wie z.B. Sensorfehler oder Übertragungsfehler. Fehlende Daten komplizieren den Diagnoseprozess, da sie die Menge an brauchbaren Informationen reduzieren.

#Diskrepanz zwischen den Domänen

Es gibt oft eine Kluft zwischen den synthetischen Daten, die aus Modellen generiert werden, und den tatsächlichen Betriebsdaten, die von Maschinen gesammelt werden. Das kann die Modellleistung beeinflussen, besonders wenn Modelle, die auf synthetischen Daten trainiert wurden, auf realen Daten verwendet werden.

#Überblick über die vorgeschlagene Methode

Die PTPAI-Methode ist darauf ausgelegt, diese Probleme anzugehen, indem sie eine Kombination von Techniken verwendet:

#Generierung synthetischer Daten

Um den Mangel an gekennzeichneten Daten zu überwinden, verwendet die Methode physikbasierte Modelle zur Generierung synthetischer Daten. Diese Modelle berücksichtigen verschiedene Betriebsbedingungen, denen ein Wälzlager ausgesetzt sein kann, und erstellen so realistische Fehlerinformationen für das Training.

#Techniken zur Domänenanpassung

Die PTPAI-Methode nutzt Strategien zur Domänenanpassung, um die synthetischen und echten Datensätze anzugleichen. Das hilft, die Kluft zwischen den beiden Domänen zu verringern, sodass Modelle besser auf echten Daten funktionieren.

#Umgang mit Klassenungleichgewicht

Eine neuartige Technik namens RF-Mixup wird eingeführt, um das Klassenungleichgewicht während des Trainings zu managen. Diese Technik erstellt neue Trainingsbeispiele, die effektiv die Minderheitenklassen darstellen, wodurch das Modell robuster wird.

#Gewichtungsmethoden

Spezifische Gewichtungsstrategien werden verwendet, um das Problem des Teilsets anzugehen. Diese Gewichte ermöglichen es dem Modell, mehr Aufmerksamkeit auf gemeinsame Klassen zwischen den Quell- und Ziel-Domänen zu richten, was hilft, das Transferlernen zu verbessern.

#Experimentelle Einrichtung

Um die Wirksamkeit der PTPAI-Methode zu bewerten, wurden Experimente mit zwei etablierten Datensätzen durchgeführt: CWRU und JNU. Diese Datensätze boten eine Vielzahl von Szenarien mit verschiedenen Fehlertypen und Betriebsbedingungen.

#Beschreibung der Datensätze

Der CWRU-Datensatz besteht aus Schwingungssignalen von Wälzlagern unter verschiedenen Gesundheitszuständen. Er umfasst normale Bedingungen und mehrere Fehlertypen. Der JNU-Datensatz enthält ebenfalls Schwingungsdaten, konzentriert sich aber auf eine einzelne Reihe von Kugelrollenlagern mit induzierten Fehlern aus einem bestimmten Prozess.

#Bewertungsmetriken

Zwei wichtige Metriken wurden verwendet, um die Leistung der vorgeschlagenen Methode zu bewerten: ausgewogene Genauigkeit und F1-Score. Diese Metriken sind besonders wichtig, wenn es um unausgeglichene Datensätze geht, da sie bessere Einblicke in die Modellleistung bieten.

#Ergebnisse und Diskussion

Die experimentellen Ergebnisse zeigten, dass die PTPAI-Methode andere bestehende Ansätze unter verschiedenen Testbedingungen konstant übertroffen hat.

#Leistung des CWRU-Datensatzes

Für den CWRU-Datensatz zeigte die PTPAI-Methode eine überlegene Leistung, selbst wenn das Gleichgewicht zwischen gesunden und fehlerhaften Daten erheblich verzerrt war. Der Einsatz von RF-Mixup half, die Fähigkeit des Modells zu verbessern, Fehler trotz starker Klassenungleichgewichte zu identifizieren.

#Leistung des JNU-Datensatzes

Ähnlich verhielt es sich beim JNU-Datensatz, wo die vorgeschlagene Methode auch bei verschiedenen Gleichgewichten eine hohe Leistung aufrechterhielt. Selbst als die Anzahl der Ausreisser-Klassen zunahm, erwies sich die PTPAI-Methode als robust und bewältigte die Datenabweichungen effektiv.

#Bedeutung der Komponenten

Die Ergebnisse hoben die Bedeutung der verschiedenen Komponenten der PTPAI-Methode hervor. Die Generierung synthetischer Daten war entscheidend, um sicherzustellen, dass das Modell genügend Daten hatte, um zu lernen, während die Techniken zur Domänenanpassung halfen, die Kluft zwischen synthetischen und echten Datenverteilungen zu verringern. Zusätzlich zeigte die RF-Mixup-Regularisierung ihre wesentliche Rolle bei der Verbesserung der Klassifikationsleistung trotz Ungleichgewichte.

#Fazit

Die PTPAI-Methode bietet eine umfassende Lösung für die Herausforderungen, die bei der Diagnose von Wälzlagerfehlern auftreten. Durch die Generierung synthetischer Daten und die effektive Anwendung von Techniken zur Domänenanpassung überwindet sie Probleme im Zusammenhang mit fehlenden Daten und Klassenungleichgewichten. Die experimentellen Ergebnisse zeigen ihre Wirksamkeit bei der Verbesserung der Diagnoseleistung über verschiedene Datensätze hinweg. Die PTPAI-Methode hat grosses Potenzial für reale Anwendungen und ebnet den Weg für genauere und zuverlässigere Fehlererkennung in industriellen Maschinen.