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

Technische Samenvatting: Non-negative Tensor Factorization-based Dependence Map Analysis voor Lokale Schadedetectie

1. Probleemstelling

Het detecteren van lokale schade (zoals defecten in de loopringen of rollen) in draaiende machines, zoals kogellagers, is een grote uitdaging in industriële omgevingen. De kern van het probleem is dat het Signaal van Interesse (SOI) — een zwak, cyclisch en impulsief signaal dat de vroege stadia van schade aangeeft — vaak volledig wordt overstemd door niet-Gaussische, impulsieve ruis.

Traditionele methoden voor bandselectie (zoals spectral kurtosis of kurtogram) schieten tekort in deze situaties omdat ze de sterke, niet-cyclische impulsen van de omgeving (bijv. vallende ertsen in een crusher) verwarren met de schade zelf. Hierdoor is het moeilijk om de juiste Informative Frequency Band (IFB) te selecteren voor verdere analyse.

2. Methodologie

De auteurs stellen een innovatieve, ongesuperviseerde methode voor die gebruikmaakt van Non-negative Tensor Factorization (NTF) toegepast op afhankelijkheidskaarten (dependence maps). Het proces bestaat uit drie hoofdfasen:

• Pre-processing (Voorbewerking):

  • Het vibratiesignaal wordt opgedeeld in $M$ segmenten.
  • Voor elk segment wordt een spectrogram berekend via de Short-Time Fourier Transform (STFT).
  • Er wordt een Pearson-correlatiekaart (afhankelijkheidskaart) opgesteld voor elk segment. Deze kaart meet de auto-similariteit tussen verschillende frequentiebanden. Als twee banden een vergelijkbaar patroon vertonen, is de correlatie hoog.
  • Deze kaarten worden samengevoegd in een 3D-tensor (frequentie $\times$ frequentie $\times$ segment).

• Analyse (NTF):

  • De tensor wordt ontbonden met behulp van NTF. In plaats van de standaard Euclidische afstand, gebruiken de auteurs de $\beta$-divergentie als kostenfunctie.
  • De keuze voor $\beta = -1$ (de Itakura-Saito afstand) blijkt cruciaal voor het scheiden van signalen met zware staarten (niet-Gaussische ruis).
  • De factorisatie splitst de tensor in componenten die verschillende bronnen vertegenwoordigen: de schade (SOI), niet-cyclische impulsen, ruis en andere componenten.

• Besluitvorming (Decision):

  • Uit de NTF-factoren wordt een filterkarakteristiek (de IFB) geëxtraheerd.
  • Het ruwe signaal wordt gefilterd met deze band.
  • De effectiviteit wordt gemeten met de Envelope Spectrum Based Indicator (ENVSI), die de energie van de foutfrequenties vergelijkt met de totale energie.

3. Belangrijkste Bijdragen

• Nieuw Concept: De toepassing van NTF op afhankelijkheidskaarten (in plaats van direct op spectrogrammen) is een unieke benadering die de interne gelijkenis van spectrale inhoud benut.
• Robuustheid tegen Ruis: Door gebruik te maken van de $\beta$-divergentie ($\beta = -1$) kan de methode effectief de cyclische schade scheiden van de sterke, niet-cyclische impulsen die typisch zijn voor zware industriële machines.
• Ongesuperviseerd en Adaptief: De methode vereist geen voorafgaande kennis van de specifieke foutfrequenties, wat hem bruikbaar maakt voor diverse machines onder variabele belastingen.

4. Resultaten

De methode is gevalideerd met zowel synthetische signalen als echte industriële data (een kopererts-crusher en een testopstelling):

• Synthetische data: De NTF-methode presteerde superieur aan klassieke selectors zoals spectral kurtosis, alpha-stable en conditional variance. De ENVSI-waarden voor de NTF-methode waren extreem hoog ($\approx 0.98$), terwijl andere methoden de schade niet konden detecteren.
• Real-world data (Case 1 - Crusher): In de zeer uitdagende omgeving van de crusher slaagde de NTF-methode ($\beta = -1$) erin de schade te detecteren met een ENVSI van 0.678, terwijl andere methoden (zoals de Pearson-selector of kurtosis) faalden met waarden nabij nul.
• Real-world data (Case 2 - Testrig): De methode leverde consistente en duidelijke resultaten op voor de detectie van schade aan de buitenring van het lager.

5. Betekenis en Conclusie

Dit onderzoek biedt een krachtig instrument voor condition monitoring in extreme industriële omgevingen. Waar traditionele methoden "blind" worden door niet-Gaussische ruis, slaagt deze NTF-gebaseerde benadering erin om de subtiele cyclische patronen van beginnende schade te isoleren. Dit stelt bedrijven in staat om onderhoud te plannen voordat er catastrofale defecten optreden, wat zowel kosten bespaart als de veiligheid verhoogt.