Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

In de industriële wereld is het gezoem van een fabriek vaak het geluid van gezondheid, maar het is ook de taal van falen. Binnen massieve tandwielkasten en draaiende motoren beginnen minuscule scheurtjes en versleten tanden te fluisteren lang voordat ze schreeuwen. Voor ingenieurs is de uitdaging altijd geweest om deze fluisteringen te horen boven het gedreun van de machine zelf. Wanneer een machine met een constante snelheid draait, is het geluid van een defect voorspelbaar, als een gestage trommelslag. Maar in de echte wereld blijven machines zelden onveranderlijk. Ze versnellen, vertragen en veranderen voortdurend van belasting. Dit constante verschuiven verstoort het geluid van een defect, waardoor het wegdrijft en vervaagt in de achtergrondruis. Traditionele instrumenten om naar deze machines te luisteren, hebben hier vaak moeite mee; ze zijn gebouwd voor stabiele omstandigheden en raken in de war wanneer het ritme verandert, of ze zijn zo zwaar en complex dat ze niet op de machines zelf kunnen worden geïnstalleerd om in realtime mee te luisteren.

Onderzoekers Tengji Xia en Pengfei Pang hebben een nieuwe manier ontwikkeld om te luisteren die zowel scherp als eenvoudig is. Ze creëerden een digitaal systeem dat is ontworpen om te fungeren als een hoogwaardig afgestemd oor dat zichzelf kan aanpassen aan de veranderende snelheid van een machine, terwijl het de statische ruis van de fabrieksvloer wegfiltert. Hun aanpak, beschreven in hun recente werk, richt zich op een specifiek type kunstmatige intelligentie dat licht genoeg is om te draaien op kleine, ingebedde computers, maar krachtig genoeg om verborgen defecten in lagers en tandwielen te vinden. Door een methode te combineren die begrijpt hoe geluidsgolven uitrekken en samendrukken met een slim filtersysteem dat precies weet wanneer het ruis moet negeren, kan hun systeem problemen opsporen die andere methoden missen, zelfs wanneer de machine onder moeilijke, veranderende omstandigheden draait.

De kern van hun werk pakt een probleem aan dat al lang de diagnostiek van defecten teistert: de manier waarop defecten veranderen wanneer een machine versnelt of vertraagt. Wanneer een lager of tandwiel beschadigd is, creëert dit een specifiek trillingspatroon. Echter, als de snelheid van de machine niet constant is, verschuift de frequentie van die trilling, vergelijkbaar met de manier waarop de toonhoogte van een sirene verandert wanneer een ambulance voorbijrijdt. Oudere computermodellen maken vaak gebruik van vaste instellingen om naar deze geluiden te zoeken, wat betekent dat ze een defect kunnen missen simpelweg omdat de snelheid van de machine iets is afgeweken van wat het model verwachtte. Om dit op te lossen, bouwden de onderzoekers een systeem dat niet afhankelijk is van vaste instellingen. In plaats daarvan gebruiken ze een wiskundig hulpmiddel genaamd een wavelet, die uitstekend is in het afbreken van complexe signalen in hun onderdelen, maar zij maakten deze "adaptief". Dit betekent dat het systeem in staat is om zijn eigen interne instellingen in realtime te leren en aan te passen om de verschuivende toonhoogte van een defect te volgen, waardoor het signaal nooit verloren gaat, zelfs niet wanneer de snelheid van de machine wild fluctueert.

Om dit systeem praktisch bruikbaar te maken voor de echte wereld, moesten de onderzoekers nog een andere hindernis overwinnen: complexiteit. Veel geavanceerde diagnostische instrumenten zijn als enorme supercomputers; ze zijn krachtig, maar vereisen te veel energie en ruimte om direct op een machine in een fabriek geplaatst te worden. De onderzoekers ontwierpen hun oplossing als "lichtgewicht", wat betekent dat deze zeer weinig rekenkracht gebruikt. Ze bereikten dit door het systeem terug te brengen tot een enkele laag verwerking. In plaats van vele lagen complexe berekeningen op elkaar te stapelen, wat soms de delicate details van een defect kan vertroebelen, gebruikt hun model een direct, gestroomlijnd pad. Dit ontwerp stelt het systeem in staat om gegevens snel en efficiënt te verwerken, waardoor het geschikt is voor installatie op de edge-apparaten die de industriële machines aansturen, in plaats van dat er een verre server nodig is om het werk te doen.

Een cruciaal onderdeel van hun succes ligt in de manier waarop het systeem met ruis omgaat. In een lawaaierige fabriek kan het signaal van een kleine scheur worden overstemd door de trilling van de vloer of het gezoem van nabijgelegen motoren. De onderzoekers voegden een speciale module toe aan hun systeem die fungeert als een dynamische poortwachter. Deze module analyseert voortdurend het binnenkomende geluid en berekent het gemiddelde ruisniveau en de variaties in het signaal. Op basis van deze berekening stelt het een bewegende drempelwaarde in. Als een geluidspiek slechts willekeurige ruis is, negeert de poortwachter deze. Maar als een piek overeenkomt met het patroon van een defect, versterkt het systeem dit, waardoor het zwakke signaal duidelijk afsteekt tegen de achtergrond. Dit proces vindt automatisch en continu plaats, waardoor het systeem de werkelijke defectsignalen kan verbeteren terwijl het de interferentie onderdrukt, een capaciteit die essentieel bleek tijdens hun testen.

Het team testte hun nieuwe systeem op twee uitdagende datasets die echte industriële omgevingen nabootsen. De eerste betrof een lagerplatform waarbij de snelheid constant veranderde, en de tweede een tandwielkast die werd onderworpen aan variërende belastingen en snelheden. In deze tests werd het systeem afgezet tegen verschillende andere geavanceerde methoden, waaronder deep learning-modellen die veel groter en complexer zijn. De resultaten waren opmerkelijk. Onder omstandigheden waarbij de ruis zo hoog was dat een defect normaal gesproken verborgen zou blijven, behield het nieuwe systeem een hoog nauwheidspercentage, waarbij het het type defect correct identificeerde in 93,75 procent van de gevallen op de tandwielkastdata en zelfs nog hoger op de lagerdata. In tegenstelling hiertoe zagen veel van de andere methoden hun prestaties aanzienlijk dalen naarmate de ruis toenam. Het nieuwe systeem bleek ook ongelooflijk snel te zijn en had veel minder tijd nodig om de gegevens te analyseren dan zijn concurrenten, wat essentieel is om problemen te vangen voordat ze leiden tot een breuk.

Wat deze bevinding bijzonder robuust maakt, is niet alleen de hoge nauwkeurigheid, maar ook het statistische bewijs dat de verbetering echt is en geen toevalstreffer. De onderzoekers voerden rigoureuze statistische tests uit om hun systeem met de anderen te vergelijken, en de resultaten toonden aan dat het verschil in prestaties significant was, vooral onder de meest lawaaierige omstandigheden. Ze keken ook in de "black box" van hun model om te begrijpen hoe het werkte. Ze ontdekten dat de adaptieve wavelet-laag erin slaagde de verschuivende frequenties van de defecten te volgen, en dat de ruisfilteringsmodule het signaal effectief opschoonde, waardoor het systeem zich kon concentreren op het werkelijke probleem. Deze interne helderheid geeft ingenieurs het vertrouwen dat het systeem niet simpelweg gokt, maar daadwerkelijk de fysieke wetten volgt van hoe deze machines trillen.

De onderzoekers toonden ook aan dat hun systeem kon worden ingezet op kleine, energiezuinige apparaten, wat een grote stap voorwaarts is voor industriële toepassingen. Door het model eenvoudig en efficiënt te houden, zorgden ze ervoor dat er geen dure hardware nodig is om het te laten draaien. Dit betekent dat fabrieken deze diagnostische instrumenten potentieel direct op hun machines kunnen installeren, wat een continue, realtime gezondheidscontrole mogelijk maakt zonder de noodzaak van zware infrastructuur. Het vermogen van het systeem om sterk tijdvariërende omstandigheden aan te kunnen — waarbij snelheid en belasting voortdurend in beweging zijn — vult een gat dat veel bestaande technologieën open laten, en biedt een betrouwbare manier om apparatuur te monitoren in de meest dynamische en moeilijke operationele omgevingen.

Uiteindelijk vertegenwoordigt dit werk een verschuiving in hoe we naar de gezondheid van machines kijken. Het beweegt weg van het idee dat we enorme, complexe modellen nodig hebben om complexe problemen op te lossen. In plaats daarvan laat het zien dat een zorgvuldig ontworpen, gestroomlijnd systeem dat de fysica van het signaal begrijpt, zwaardere, meer rigide modellen kan overtreffen. Door de mogelijkheid om verschuivende frequenties te volgen te combineren met een slim, adaptief ruisfilter, hebben de onderzoekers een instrument gecreëerd dat zowel gevoelig als veerkrachtig is. Voor de industrieën die afhankelijk zijn van de continue werking van roterende machines, biedt dit een nieuw niveau van zekerheid: een manier om de zwakste waarschuwingssignalen van falen te horen, zelfs wanneer de machine op zijn meest chaotische moment draait, waardoor onderhoud kan plaatsvinden voordat een klein probleem een catastrofale breuk wordt.