⚡ electrical engineering

Non-negative tensor factorization-based dependence map analysis for local damage detection in presence of non-Gaussian noise

यह शोध पत्र नॉन-नेगेटिव टेंसर फैक्टराइजेशन (NTF) का उपयोग करके डिपेंडेंस मैप्स का विश्लेषण करने के माध्यम से रोलिंग एलीमेंट बेयरिंग्स में स्थानीय क्षति का पता लगाने के लिए एक नवीन विधि प्रस्तावित करता है, जो गैर-गॉसियन शोर और जटिल स्पेक्ट्रल संरचनाओं की उपस्थिति में भी प्रभावी सूचनात्मक फ्रीक्वेंसी बैंड चयन को सक्षम बनाता है।

मूल लेखक: Anna Michalak, Justyna Hebda-Sobkowicz, Anil Kumar, Radoslaw Zimroz, Rafal Zdunek, Agnieszka Wylomanska

प्रकाशित 2026-04-28

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Anna Michalak, Justyna Hebda-Sobkowicz, Anil Kumar, Radoslaw Zimroz, Rafal Zdunek, Agnieszka Wylomanska

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक भारी मेटल कॉन्सर्ट के बीच में एक एकल, लयबद्ध दिल की धड़कन सुनने की कोशिश कर रहे हैं। ड्रमर बेतरतीब ढंग से और ज़ोर से सिम्बल्स बजा रहा है (वह नॉन-गौसियन शोर है), और दिल की धड़कन वाला व्यक्ति हर कुछ सेकंड में केवल एक बार अपने सीने को थपथपा रहा है (वह बेयरिंग में स्थानीय क्षति/लोकल डैमेज है)।

यदि आप पूरे कमरे को सुनते हैं, तो आप उस दिल की धड़कन को कभी नहीं सुन पाएंगे। आप एक रैंडम ड्रम हिट को दिल की धड़कन समझ सकते हैं, या शोर इतना तेज़ हो सकता है कि दिल की धड़कन पूरी तरह से गायब हो जाए।

यह शोध पत्र उस विशिष्ट धड़कन पर "ट्यून" करने का एक नया तरीका प्रस्तुत करता है ताकि इंजीनियर मशीन के फटने से पहले उसे ठीक कर सकें। वे इसे कैसे करते हैं, यहाँ सरल चरणों में दिया गया है।

1. समस्या: "भोंडे" श्रोता

मशीनों की निगरानी के लिए उपयोग किए जाने वाले अधिकांश वर्तमान उपकरण उन लोगों की तरह हैं जो केवल तेज़ी (loudness) देखते हैं। वे कहते हैं, "अरे, मैंने एक ज़ोरदार धमाका सुना! वह ज़रूर समस्या होगी!"

लेकिन एक भारी औद्योगिक मशीन (जैसे तांबे के अयस्क का क्रशर) में, चीज़ें अक्सर इसलिए ज़ोर से टकराती हैं क्योंकि चट्टानें गिर रही होती हैं। ये "नकली" धमाके पुराने उपकरणों को भ्रमित कर देते हैं। पुराने उपकरण यह अंतर नहीं कर पाते कि एक रैंडम चट्टान का मशीन से टकराना और एक टूटे हुए बेयरिंग की छोटी, लयबद्ध "क्लिक" के बीच क्या अंतर है।

2. समाधान: "समानता जासूस" (डिपेंडेंस मैप्स)

केवल तेज़ आवाज़ों को खोजने के बजाय, शोधकर्ताओं ने समानता के पैटर्न खोजने का निर्णय लिया।

कल्पना कीजिए कि आपके पास कॉन्सर्ट हॉल में 30 अलग-अलग माइक्रोफ़ोन रखे हैं। केवल यह पूछने के बजाय कि, "माइक्रोफ़ोन A पर कितनी तेज़ आवाज़ है?", शोधकर्ता पूछते हैं, "क्या माइक्रोफ़ोन A पर होने वाली आवाज़, माइक्रोफ़ोन B पर होने वाली आवाज़ के बिल्कुल एक ही समय पर और एक ही तरीके से होती है?"

यदि कोई रैंडम चट्टान मशीन से टकराती है, तो यह एक बार की घटना है—यह सभी माइक्रोफ़ोन में एक सुसंगत पैटर्न के रूप में दिखाई नहीं देगी। लेकिन बेयरिंग में क्षति (damage) लयबद्ध होती है; यह बार-बार होती है। विभिन्न आवृत्तियों (frequencies) के एक साथ "नाचने" के तरीके की तुलना करके, वे एक डिपेंडेंस मैप (Dependence Map) बनाते हैं। यह मैप रैंडम, अराजक शोर को अनदेखा करता है और ध्वनि के उन हिस्सों को उजागर करता है जो "तालमेल में नाच" रहे हैं।

3. गुप्त नुस्खा: "डिजिटल सॉर्टर" (NTF)

एक बार जब उनके पास ये मैप्स आ जाते हैं, तो उनके पास डेटा का एक विशाल ढेर होता है। इसे समझने के लिए, वे नॉन-नेगेटिव टेंसर फैक्टराइजेशन (NTF) नामक चीज़ का उपयोग करते हैं।

NTF को एक अत्यधिक उन्नत रंग छाँटने वाली मशीन (color sorter) के रूप में सोचें। कल्पना कीजिए कि आपके पास लाल, नीले और हरे रंग की गोलियों (marbles) का एक बड़ा बाल्टी मिश्रण है, लेकिन उन सभी पर भूरे रंग की कीचड़ लगी हुई है। NTF एक ऐसी मशीन है जो उस कीचड़ भरी बाल्टी में हाथ डालकर शुद्ध लाल गोलियां, शुद्ध नीली गोलियां और शुद्ध हरी गोलियां अलग-अलग निकाल सकती है।

इस शोध पत्र में, "कीचड़" भारी औद्योगिक शोर है, और "गोलियां" अलग-अलग प्रकार की जानकारी हैं:

गोली 1: क्षतिग्रस्त बेयरिंग की लयबद्ध धड़कन (दिल की धड़कन - सिग्नल ऑफ इंटरेस्ट)।
गोली 2: चट्टानों के रैंडम, ज़ोरदार धमाके (शोर/नॉइज़)।
गोली 3: मशीन की सामान्य गूँज।

क्योंकि शोधकर्ताओं ने एक विशिष्ट गणितीय सेटिंग (जिसे $\beta = -1$ कहा जाता है) का उपयोग किया है, उनका "सॉर्टर" "कीचड़युक्त" आउटलेयर्स को अनदेखा करने और शुद्ध, लयबद्ध सिग्नल को खोजने में विशेष रूप से सक्षम है।

4. परिणाम: घास के ढेर में सुई ढूँढना

इस "समानता जासूस" और "डिजिटल सॉर्टर" के संयोजन का उपयोग करके, शोधकर्ता सक्षम थे:

अराजक शोर को फ़िल्टर करना: उन्होंने ज़ोरदार, रैंडम धमाकों को हटा दिया।
लय को अलग करना: उन्होंने उस सटीक आवृत्ति (frequency) को खोज निकाला जहाँ क्षति की छोटी सी "क्लिक" छिपी हुई थी।
विफलता की भविष्यवाणी करना: वे क्षति को स्पष्ट रूप से देख सके, भले ही वह पारंपरिक तरीकों के लिए लगभग अदृश्य थी।

संक्षेप में: उन्होंने तेज़ी (loudness) सुनने के बजाय पुनरावृत्ति और समानता को सुनना शुरू किया, जिससे वे एक औद्योगिक कारखाने के "गरज" के बीच भी विफल होती मशीन की "फुसफुसाहट" को सुनने में सक्षम हुए।

तकनीकी सारांश: स्थानीय क्षति का पता लगाने के लिए नॉन-नेगेटिव टेंसर फैक्टराइजेशन-आधारित डिपेंडेंस मैप विश्लेषण

1. समस्या विवरण (Problem Statement)

यह शोध पत्र घूमने वाली मशीनों (rotating machinery) में स्थानीय क्षति (जैसे कि बेयरिंग रेस या रोलिंग तत्वों के विशिष्ट क्षेत्रों में दोष) का पता लगाने की चुनौती को संबोधित करता है। औद्योगिक वातावरण में यह कार्य कई कारणों से अत्यंत कठिन है:

कमजोर सिग्नल ऑफ इंटरेस्ट (Weak Signal of Interest - SOI): प्रारंभिक चरण की क्षति कमजोर, चक्रीय और स्पंदित (impulsive) संकेत उत्पन्न करती है।
नॉन-गौसियन शोर (Non-Gaussian Noise): औद्योगिक परिवेश (जैसे कॉपर ओर क्रशर) भारी-पूंछ वाले (heavy-tailed), स्पंदित और नॉन-स्टेशनरी शोर उत्पन्न करते हैं, जो उतार-चढ़ाव वाले भार और यादृच्छिक प्रभावों (जैसे गिरते हुए अयस्क) के कारण होते हैं।
स्पेक्ट्रल ओवरलैप (Spectral Overlap): दोषों के संकेतों (fault signatures) को अक्सर नॉन-साइक्लिक स्पंदित विक्षोभों और उच्च-ऊर्जा अनुनाद (resonances) द्वारा ढक दिया जाता है या भ्रमित कर दिया जाता है।
मौजूदा विधियों की सीमाएं: स्पेक्ट्रल कर्टोसिस (Spectral Kurtosis) जैसे पारंपरिक चयनकर्ता आउटलेर्स के प्रति अत्यधिक संवेदनशील होते हैं और अक्सर नॉन-साइक्लिक स्पंदित शोर को वास्तविक दोष समझ लेते हैं। अन्य विधियाँ (Alpha-stable, Conditional Variance) स्पंदित प्रकृति पर ध्यान केंद्रित करती हैं लेकिन दोष की चक्रीयता (cyclicity) को समझने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन, अनसुपरवाइज्ड फ्रेमवर्क प्रस्तावित करते हैं जो डिपेंडेंस मैप विश्लेषण को नॉन-नेगेटिव टेंसर फैक्टराइजेशन (NTF) के साथ जोड़ता है। यह प्रक्रिया तीन मुख्य चरणों का पालन करती है:

A. प्री-प्रोसेसिंग (टेंसर निर्माण):

सेगमेंटेशन (Segmentation): कच्चे कंपन संकेत (raw vibration signal) को $M$ खंडों में विभाजित किया जाता है।
टाइम-फ्रीक्वेंसी रिप्रेजेंटेशन: प्रत्येक खंड के लिए एक शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) लागू किया जाता है ताकि स्पेक्ट्रोग्राम तैयार किया जा सके।
डिपेंडेंस मैप निर्माण: प्रत्येक खंड के लिए, सभी फ्रीक्वेंसी बिन्स के जोड़ों के बीच पियर्सन सहसंबंध गुणांक (Pearson correlation coefficient) की गणना की जाती है। यह एक सिमेट्रिक कोरिलेशन मैप (CM) बनाता है, जो स्पेक्ट्रल सामग्री की ऑटो-समानता (auto-similarity) को दर्शाता है।
टेंसरलाइजेशन (Tensorization): $M$ कोरिलेशन मैप्स को एक 3rd-order टेंसर $\mathcal{C} \in \mathbb{R}^{F \times F \times M}$ में स्टैक किया जाता है, जहाँ पहले दो आयाम फ्रीक्वेंसी जोड़े हैं और तीसरा आयाम टेम्पोरल सेगमेंट है।

B. विश्लेषण (NTF डिकम्पोजिशन):
टेंसर को NTF का उपयोग करके तीन नॉन-नेगेटिव कंपोनेंट मैट्रिसेस ( $W, H, Q$ ) में विघटित किया जाता है। लेखक $\beta$ -डाइवर्जेंस ( $\beta$ -divergence) ऑब्जेक्टिव फंक्शन का उपयोग करते हैं, जो हेवी-टेल्ड रेसिडुअल एरर्स को संभालने में लचीलापन प्रदान करता है।

वे विशेष रूप से पहचानते हैं कि SOI को नॉन-गौसियन शोर से अलग करने के लिए $\beta = -1$ (इटाकुरा-साइटो डिस्टेंस) इष्टतम है।
डिकम्पोजिशन डेटा को अलग-अलग "वर्गों" (जैसे क्षति, नॉन-साइक्लिक पल्स, शोर) में विभाजित करता है।

C. निर्णय (बैंड चयन और डिटेक्शन):

IFB निष्कर्षण: एक फैक्टर मैट्रिक्स ( $H$ ) का उपयोग इंफॉर्मेटिव फ्रीक्वेंसी बैंड (IFB) निकालने के लिए किया जाता है।
फिल्टरिंग: निकाले गए IFB कैरेक्टरिस्टिक का उपयोग करके कच्चे सिग्नल को फ़िल्टर किया जाता है।
क्षति मूल्यांकन: प्रभावशीलता को एनवेलप स्पेक्ट्रम बेस्ड इंडिकेटर (ENVSI) का उपयोग करके मापा जाता है, जो कुल एनवेलप स्पेक्ट्रम ऊर्जा के सापेक्ष फॉल्ट फ्रीक्वेंसी और उसके हार्मोनिक्स की ऊर्जा को परिमाणित करता है।

3. प्रमुख योगदान (Key Contributions)

नवीन डेटा संरचना: ऊर्जा वितरण (जैसे स्पेक्ट्रोग्राम पर मानक NMF) को फैक्टराइज करने के बजाय, यह विधि डिपेंडेंस मैप्स (समानता संरचनाओं) को फैक्टराइज करती है, जो एम्प्लीट्यूड उतार-चढ़ाव के प्रति अधिक मजबूत (robust) हैं।
नॉन-गौसियनता के प्रति मजबूती: $\beta$ -डाइवर्जेंस (विशेष रूप से $\beta = -1$ ) का उपयोग करके, यह विधि आवधिक दोष स्पंदों (periodic fault impulses) और यादृच्छिक, उच्च-आयाम वाले स्पंदित शोर के बीच प्रभावी ढंग से अंतर करती है।
अनसुपरवाइज्ड और ब्लाइंड: इस विधि को दोष आवृत्तियों या मशीन की परिचालन स्थितियों के किसी पूर्व ज्ञान की आवश्यकता नहीं होती है, जिससे यह नॉन-स्टेशनरी औद्योगिक वातावरण के लिए अत्यधिक अनुकूलनीय बन जाती है।

4. परिणाम (Results)

विधि को सिंथेटिक सिग्नल्स और वास्तविक दुनिया के डेटा (एक कॉपर ओर क्रशर और एक प्रयोगशाला परीक्षण रिग) का उपयोग करके मान्य किया गया।

सिम्युलेटेड डेटा: NTF दृष्टिकोण ने ENVSI मान $> 0.98$ प्राप्त किया, जो स्पेक्ट्रल कर्टोसिस, अल्फा-सेलेक्टर्स और पियर्सन-आधारित चयनकर्ताओं से काफी बेहतर प्रदर्शन करता है, जो सही बैंड की पहचान करने में विफल रहे या नॉन-साइक्लिक शोर से दब गए।
रियल-वर्ल्ड केस 1 (क्रशर): एक अत्यधिक शोर वाले वातावरण में जहाँ SOI पूरी तरह से छिपा हुआ था, NTF ( $\beta = -1$ ) ने 0.678 का ENVSI प्राप्त किया, जबकि पारंपरिक विधियों के मान शून्य के करीब ( $< 0.0012$ ) थे।
रियल-वर्ल्ड केस 2 (टेस्ट रिग): विधि ने एक ध्वनिक सिग्नल (acoustic signal) में आउटर रेस डैमेज को सफलतापूर्वक पहचाना, जिसके परिणाम CFFsgram जैसे विशेष तरीकों के बराबर या उनसे बेहतर थे।
दक्षता: हालांकि $\beta = -1$ के लिए $\beta = 0$ या $1$ की तुलना में अधिक कंप्यूटेशनल क्षमता की आवश्यकता होती है, लेकिन यही एकमात्र सेटिंग है जो हेवी-टेल्ड शोर की उपस्थिति में लगातार उच्च सटीकता प्रदान करती है।

5. महत्व (Significance)

यह शोध कठोर औद्योगिक क्षेत्रों (खनन, क्रशिंग आदि) के लिए प्रिडिक्टिव मेंटेनेंस हेतु एक शक्तिशाली उपकरण प्रदान करता है। नॉन-गौसियन शोर के बीच भी प्रारंभिक चरण में स्थानीय क्षति का पता लगाने में सक्षम बनाकर, यह विधि नियोजित मरम्मत (planned repairs) को सक्षम बनाती है, जिससे विनाशकारी मशीन विफलता को रोका जा सकता है और अनियोजित उत्पादन डाउनटाइम को कम किया जा सकता है।