Fault Detection in Rotating Machinery Based on Machine Learning

Dieses Kapitel befasst sich mit der entscheidenden Rolle rotierender Maschinen in industriellen Anwendungen und der Bedeutung robuster Überwachungsprotokolle für Getriebekomponenten. Er hebt die Fortschritte bei den Methoden der statistischen Prozesskontrolle (SPC) zur Erkennung von Getriebefehlern hervor, einschließlich der Verwendung von EWMA- und MEWMA-Diagrammen. Die Studie schlägt eine systematische Methodik für die automatische Fehlerdiagnose unter Verwendung von Schwingungsdatenanalysen vor, wobei fortschrittliche Signalverarbeitungsalgorithmen und maschinelle Lerntechniken zum Einsatz kommen. Das vorgeschlagene Paradigma des maschinellen Lernens umfasst die Hauptkomponentenanalyse zur dimensionalen Kompression, Gaußsche Mischungsmodellierung zur Musterextraktion und die Statistische Prozesskontrolle mit Neuentdeckung zur Identifizierung von Anomalien. Die Simulationsergebnisse zeigen die Effektivität dieses Ansatzes bei der Erkennung progressiver Abbauzustände von Getrieben, von makellosen bis hin zu kritischen Bedingungen. Die Studie schließt mit Empfehlungen für die zukünftige Forschung, die die Notwendigkeit der Validierung anhand experimenteller Daten und die Entwicklung adaptiver Schwellenalgorithmen zur Verbesserung der diagnostischen Zuverlässigkeit und der Sensitivität der Fehlerfrüherkennung betonen.