condition monitoring of rotating machines: the contribution of data mining

Abstract

Industrial companies rely on delivering high quality products on time. However, continuous equipment usage often leads to improper functioning and complete failure, impacting the company in various ways. Effective monitoring is crucial to avoid losses and reduce the probability of breakdown. This thesis aims to explore the potential of data mining methods for optimizing processes related to monitoring mechanical components in rotating machines. It aims to develop a reliable condition-monitoring approach that can effectively detect, diagnose, and predict critical components' remaining useful life (RUL). Four data-driven methods are proposed for predicting the remaining useful life (RUL) of mechanical components using vibration condition monitoring. The first method leverages variational mode decomposition (VMD) for signal denoising, followed by decision tree feature selection and Extreme Learning Machine (ELM) for regression. The second approach utilizes time domain features, decision tree feature selection, and a hybrid ANFIS-NARX model. The third method introduces a novel hybrid ANFIS-HWGO-SS approach. Finally, the fourth method combines decision tree feature selection with a hybrid SVR-NARX model. The effectiveness of these methods was demonstrated by an experimental study using data from two platforms: the LMA platform (to test bearings with spalling defects) and the PRONOSTIA platform (which conducted run-to-failure tests).

Les entreprises industrielles comptent sur la livraison de produits de haute qualité dans les délais. Cependant, l'utilisation continue des équipements conduit souvent à un fonctionnement incorrect et à une panne totale, impactant l'entreprise de diverses manières. Une surveillance efficace est cruciale pour éviter les pertes et réduire la probabilité de défaillance. Cette thèse vise à explorer le potentiel des méthodes d'exploration de données pour optimiser les processus liés à la surveillance des composants mécaniques dans les machines tournantes. Elle vise à développer une approche de surveillance fiable qui peut détecter, diagnostiquer et prédire la durée de vie restante (RUL) des composants critiques. Quatre méthodes basées sur les données sont proposées pour prédire la durée de vie restante (RUL) des composants mécaniques en utilisant la surveillance des conditions de vibration. La première méthode utilise la décomposition en modes variationnels (VMD) pour la réduction de bruit du signal, suivie de la sélection des caractéristiques par l'arbre de décision et la Machine d’apprentissage extrême (ELM) pour la régression. La deuxième approche utilise des caractéristiques du domaine temporel, la sélection des caractéristiques par l'arbre de décision et un modèle hybride ANFIS-NARX. La troisième méthode introduit une approche hybride ANFIS-HWGO-SS innovante. Enfin, la quatrième méthode combine la sélection des caractéristiques par l'arbre de décision avec un modèle hybride SVR-NARX. L'efficacité de ces méthodes a été démontrée par une étude expérimentale utilisant des données provenant de deux plateformes : la plateforme LMA (pour tester des roulements présentant des défauts d'écaillage) et la plateforme PRONOSTIA (pour réaliser des tests jusqu'à la panne).

تعتمد الشركات الصناعية على تقديم منتجات عالية الجودة في الوقت المحدد. ومع ذلك، فإن الاستخدام المستمر للمعدات غالبًا ما يؤدي إلى الأداء غير السليم والفشل الكامل، مما يؤثر على الشركة بطرق مختلفة. تعد المراقبة الفعالة أمرًا بالغ الأهمية لتجنب الخسائر وتقليل احتمالية الانهيار. تهدف هذه الأطروحة إلى استكشاف إمكانات طرق استخراج البيانات لتحسين العمليات المتعلقة بمراقبة المكونات الميكانيكية في الآلات الدوارة. ويهدف إلى تطوير نهج موثوق لمراقبة الحالة يمكنه اكتشاف وتشخيص والتنبؤ بالعمر الإنتاجي المتبقي للمكونات المهمة (RUL) بشكل فعال.تم اقتراح أربع طرق تعتمد على البيانات للتنبؤ بالعمر الإنتاجي المتبقي (RUL) للمكونات الميكانيكية باستخدام مراقبة حالة الاهتزاز. تعمل الطريقة الأولى على تعزيز تحليل الوضع المتغير (VMD) لتقليل ضوضاء الإشارة، يليه اختيار ميزة شجرة القرار وآلة التعلم القصوى (ELM) للانحدار. يستخدم النهج الثاني ميزات المجال الزمني واختيار ميزات شجرة القرار ونموذجالنظام التكيفي للاستدلال الضبابي العصبي - نموذج الانحدار الذاتي غير الخطي مع المدخلات الخارجية(ANFIS-NARX) المختلط. تقدم الطريقة الثالثة نهجًا هجينًا جديدًاالنظام التكيفي للاستدلال الضبابي العصبي المدمج مع خوارزمية الحوت وخوارزمية الذئب الرمادي باستخدام نهج فضاء الحالة .(ANFIS-HWGO-SS) وأخيرًا، تجمع الطريقة الرابعة بين اختيار ميزات شجرة القرار ونموذجلانحدار الداعم القائم على الآلات - نموذج الانحدار الذاتي غير الخطي مع المدخلات الخارجية (SVR-NARX) المختلط. تم إثبات فعالية هذه الطرق من خلال دراسة تجريبية باستخدام بيانات من منصتين: منصة LMA (لاختبار المدحرجات ذات عيوب التشظي) ومنصة PRONOSTIA (لإجراء الاختبارات حتى الفشل).