earticle

영어

This paper proposes a fault diagnosis methodology in order to early identify low-speed rolling element bearing defects, which is composed of the following three phases: fault feature extraction, effective fault feature selection, and classification. First, this study computes statistical parameters using detail information after performing one-level discrete wavelet transform to an input signal. Then, the modified distance evaluation technique (DET) selects effective fault features among statistical parameters. Finally, this study employs the simplified fuzzy artmap (SFAM), which is a variant of artificial neural networks, for diagnosing multiple bearing defects by exploiting the selected fault features. This paper evaluates the proposed fault diagnosis scheme in terms of classification accuracy and validates the improved performance of the modified DET by comparing with the standard DET for efficient feature selection. Experimental results indicate that the proposed fault diagnosis scheme using the modified DET achieves higher classification accuracy than those obtained by the standard DET, showing 97.36% and 62.08%~95.13%, respectively.

한국어

본 논문에서는 저속으로 동작하는 구름 베어링의 다중 결함 조기 검출을 위해 결함 특징 추출, 효과적인 특징 선택, 선택된 특징을 이용한 결함 분류의 세 단계로 구성된 결함 진단 기법을 제안한다. 1단계에서 이산 웨이블릿 변환을 이용하여 미세성분으로부터 통계적 결함 특징을 추출하고, 개선된 DET(distance evaluation technique)를 이용 하여 추출한 결함 특징 가운데 베어링 다중 결함 검출에 효과적인 특징을 선택한다. 마지막으로 선택된 특징을 인공 신경망 회로의 일종인 SFAM(simplified fuzzy artmap)의 입력으로 사용함으로써 결함을 진단한다. 본 논문에 서는 제안한 결함 진단 기법의 성능을 분류 정확도 측면에서 평가하며 종래의 DET를 이용한 특징을 선택한 결과와 그 성능을 비교함으로써 제안한 기법의 성능 우위를 검증한다. 실험 결과 개선한 DET에 의해 선택된 결함 특징을 이용할 경우 분류 정확도가 97.36%로 종래의 DET에 의해 선택된 특징을 사용한 분류 정확도(62.08% ~ 95.13%)보다 높은 것을 확인할 수 있었다.