مقایسه روش های حذف نویز از سیگنال های ارتعاشی یاتاقان ها در سیستم های دینامیکی دوار

پذیرفته شده برای ارائه شفاهی ، صفحه 1-9 (9)

کد مقاله : 1145-ISAV2022 (R2)

نویسندگان

سیدمحمدحسن ذوی الانواری ¹ ، حسن مسلمی نائینی ² ، مرتضی کارآموز مهدی آبادی ²

¹دانشکده مهندسی مکانیک، دانشگاه تربیت مدرس، تهران ایران

²دانشکده مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران

چکیده

سیگنال‌های ارتعاشی در محیط‌های صنعتی اغلب با نویز آلوده می‌شوند که پایش وضعیت و عیب‌یابی از طریق این داده‌ها را دشوار می‌سازد. ازاین‌رو استفاده از روش‌های کارآمد حذف نویز ضروری است. در سال‌های اخیر، تحقیقات زیادی در زمینه کاهش نویز و پردازش سیگنال‌های ارتعاشی یاتاقان‌ها انجام‌گرفته است. در مرحله پردازش این سیگنال‌های غیرایستا، روش‌های سنتی مبتنی بر تبدیل فوریه و آنالیز طیفی، قابل‌استفاده نیستند. در چنین شرایطی می‌توان از روش‌هایی نظیر روش تبدیل موجک و روش‌های چندمرحله‌ای استفاده نمود. در این پژوهش مقایسه جامعی بین این دو روش برای داده‌های یاتاقان دانشگاه کیس وسترن انجام گرفت. ابتدا سه روش فیلتر هموارساز ساویتسکی - گولِی (SG)، روش تجزیه مقدارهای منفرد (SVD) و روش تجزیه مود متغیر (VMD) در نظر گرفته شدند. مجموعاً 39 ترکیب مختلف از این روش‌ها بکار گرفته شد و مدل‌های یک، دو و سه‌مرحله‌ای حذف نویز ساخته شدند. سپس از روش تبدیل موجک و ترکیب 84 حالت مختلف از انواع موجک‌های پایه و روش‌های آستانه‌گذاری جهت حذف نویز استفاده شد. به‌منظور ارزیابی دقیق‌تر این روش‌ها در حذف نویز، در مرحله اول یک سیگنال سینوسی که به آن نویز گاوسی سفید اضافه شده بود، مورداستفاده قرار گرفت. در این حالت، سیگنال سینوسی پاک برای ارزیابی وجود داشت. در مرحله دوم، این روش‌ها برای حذف نویر داده‌های یاتاقان توپی دانشگاه کیس وسترن مورد بررسی قرار گرفتند. با محاسبه معیار نسبت سیگنال به نویز (SNR) برای سیگنال سینوسی، مشخص شد که در روش‌های چندمرحله‌ای، VMD-SG، و در روش‌های تبدیل موجک، db10-penallo بهترین عملکرد را داشتند. برای سیگنال ارتعاشی یاتاقان دانشگاه کیس وسترن نیز در روش‌ها تبدیل موجک روش dmey-heursure، و در روش‌های چندمرحله‌ای VMD، بهترین روش‌ها بودند. لازم به ذکر است که این رتبه‌بندی با معیار خطای مجذور میانگین مربعات (RMSE) تأیید شد.

کلیدواژه ها

سیگنال ارتعاشات؛ پردازش سیگنال؛ حذف نویز؛ روش های تبدیل موجک؛ روش ها چند مرحله ای

Title

A comparison of denoising approaches for fault diagnosis analysis of ball bearings

Authors

Seyed Mohammad Hassan Zolanvari, Hassan Moslemi Naeini, Morteza Karamooz Mahdiabadi

Abstract

Measured vibration signals of rotating machineries are often contaminated with noise in industrial applications, which makes their fault diagnosis examinations troublesome. Therefore, employing effective denoising approaches is crucial in structural health monitoring analysis of these machineries. Several works have investigated noise elimination approaches of bearing's measured signals, which is the mostly prone component to faults occurrence. In this work, we compare the common denoising approaches developed in recent years, to introduce the most efficient one. We first consider the Savitzky-Golay (SG) method, Singular Value Decomposition (SVD) and the Variational Mode Decomposition (VMD) approach and generate 39 different denoising strategies from their combinations. Afterwards, we investigate the Wavelet Transform (WT) and combine different thresholding methods and their corresponding wavelets to generate 84 denoising approaches. We use the signal-to-noise-ratio and root-mean-square-error to compare the efficiency of these approach. Finally, we apply these method to the Case Western Reserve University bearing data set and introduce the most effective methods in terms of their accuracy.

Keywords

signal processing, denoising, Wavelet transform, Singular value decomposition, Variational Mode Decomposition

مراجع

1. Y. Shi, J. Zhou, X. Lai, Y. Xu, W. Guo, and B. Liu, “Stability and sensitivity analysis of the bending torsional coupled vibration with the arcuate whirl of hydro-turbine generator unit,” Mech Syst Signal Process, vol. 149, Feb. 2021, doi: 10.1016/j.ymssp.2020.107306. 2. P. F. Albrecht, J. C. Appiarius, R. M. McCoy, E. L. Owen, and D. K. Sharma, “Assessment of the reliability of motors in utility applications — updated,” IEEE Transactions on Energy Conversion, vol. EC-1, no. 1, pp. 39–46, 1986, doi: 10.1109/TEC.1986.4765668. 3. D. A. Clifton and L. Tarassenko, “Novelty detection in jet engine vibration spectra,” 6th Internatio al Conference on Condition Monitoring and Machinery Failure Prevention Technologies 2009, vol. 2, no. December 2013, pp. 726–737, 2009, doi: 10.1784/204764215815848393. 4. Y. Shi and J. Zhou, “Multistage noise reduction processing for vibration signal of hydropower units,” in Journal of Physics: Conference Series, Nov. 2021, vol. 2108, no. 1. doi: 10.1088/1742 6596/2108/1/012008. 5. H. WANG, X. LUO, Y. XUI, and K. DING, “EMD and index energy-based extraction of the draft tube dynamic characteristic of hydraulic turbine,” Journal of Hydroelectric Engineering, vol. 31, no. 5, pp. 286–291, 2012, Accessed: Sep. 08, 2022. [Online]. Available: http://en.cnki.com.cn/Article_en/CJFDTOTAL-SFXB201205048.htm 6. K. Dragomiretskiy and D. Zosso, “Variational mode decomposition,” IEEE Transactions on Signal Processing, vol. 62, no. 3, pp. 531–544, Feb. 2014, doi: 10.1109/TSP.2013.2288675. 7. G. W. Stewart, “On the Early History of the Singular Value Decomposition,” http://dx.doi.org/10.1137/1035134, vol. 35, no. 4, pp. 551–566, Jul. 2006, doi: 10.1137/1035134. 8. Y. Li, K. Li, and Q. Lu, “Applying segmentation and classification to improve performance of smoothing,” Digit Signal Process, vol. 109, p. 102913, Feb. 2021, doi: 10.1016/J.DSP.2020.102913. 9. M. S. Sadooghi and S. Esmaeilzadeh Khadem, “Improving one class support vector machine novelty detection scheme using nonlinear features,” Pattern Recognit, vol. 83, pp. 14–33, 2018, doi: 10.1016/j.patcog.2018.05.002. 10. C. W. R. University, “Bearing Data Center Website,” pp. 2–3, 2017, [Online]. Available: http://csegroups.case.edu/bearingdatacenter/pages/download-data-file 11. J. Zhong, X. Bi, Q. Shu, M. Chen, D. Zhou, and D. Zhang, “Partial Discharge Signal Denoising Based on Singular Value Decomposition and Empirical Wavelet Transform,” IEEE Trans Instrum Meas, vol. 69, no. 11, pp. 8866–8873, Nov. 2020, doi: 10.1109/TIM.2020.2996717. 12. T. Schanze, “Removing noise in biomedical signal recordings by singular value decomposition,” Current Directions in Biomedical Engineering, vol. 3, no. 2, pp. 253–256, Sep. 2017, doi: 10.1515/cdbme-2017-0052.