Return to search

Sparse representations in vibration-based rolling element bearing diagnostics / Représentations parcimonieuses pour le diagnostic par analyse vibratoire des roulements mécaniques

Bien que le diagnostic des roulements par analyse vibratoire soit un domaine très développé, la recherche sur les représentations parcimonieuses des signaux de vibration est encore nouvelle et difficile pour le diagnostic des machines tournantes. Dans cette thèse, de méthodes nouvelles ont été développées, au moyen de différents modèles stochastiques, associées à des algorithmes efficaces afin de servir l’industrie dans le diagnostic des roulements. Tout d’abord, les modèles parcimonieux présentés dans la littérature sont revus. Les principales publications concernant le diagnostic des machines tournantes ont également été considérées. Enfin, en discutant des avantages et des inconvénients des représentations parcimonieuses, une interprétation des structures creuses d’un point de vue Bayésien est proposée, ce qui donne lieu à deux nouveaux modèles de diagnostic des machines tournantes. Dans un second temps, un nouveau modèle stochastique est proposé : il introduit une variable cachée relative à l’apparition d’impacts et estime le contenu spectral des transitoires correspondants ainsi que le spectre du bruit de fond. Cela donne lieu à un algorithme de détection automatique - sans besoin de pré-filtrage manuel - à partir duquel les fréquences de défaut peuvent être révélées. Le même algorithme permet également de filtrer le signal de défaut de manière très efficace par rapport à d’autres approches basées sur l’hypothèse stationnaire. La performance de l’algorithme est étudiée sur des signaux synthétiques. L’efficacité et la robustesse de la méthode sont également vérifiées sur les signaux de vibration mesurés sur un banc d’essai (engrenages et paliers). Les résultats sont meilleurs ou au moins équivalents à ceux de l’analyse d’enveloppes classique et du kurtogramme rapide. Dans un troisième temps, un nouveau schéma pour l’extraction de signaux cyclostationnaires (CS) est proposé. En considérant la variance périodique en tant que variable cachée, un filtre temporel est conçu de manière à obtenir la reconstruction intégrale des signaux CS caractérisés par une fréquence cyclique préétablie, qui peut être connue à priori ou estimée à partir de la corrélation spectrale. Un intérêt particulier de la méthode est sa robustesse lorsqu’elle est appliquée sur des données expérimentales ainsi qu’une capacité d’extraction supérieure par rapport au filtre de Wiener conventionnel. Finalement, ces exemples expérimentaux témoignent de l’utilisation polyvalente de la méthode à des fins de diagnostic de signaux composés. Pour finir, une analyse comparée utilisant le calcul rapide de la corrélation spectrale est réalisée sur une base de données publiquement disponible et largement utilisée. C’est un point crucial qui fixe un défis non-trivial à résoudre. / Although vibration-based rolling element bearing diagnostics is a very well-developed field, the research on sparse representations of vibration signals is yet new and challenging for machine diagnosis. In this thesis, several novel methods have been developed, by means of different stochastic models, associated with their effective algorithms so as to serve the industry in rolling element bearing diagnostics. First, the sparsity-based model (sparse code, in natural image processing) is investigated based on the current literature. The historical background of sparse representations has been inquired in the field of natural scenes. Along three aspects, its mathematical model with corresponding algorithms has been categorized and presented as a fundamental premise; the main publications are therefore surveyed in the literature on machinery fault diagnosis; finally, an interpretation of sparse structure in the Bayesian viewpoint is proposed which then gives rise to two novel models for machinery fault diagnosis. Second, a new stochastic model is introduced to address this issue: it introduces a hidden variable to indicate the occurrence of the impacts and estimates the spectral content of the corresponding transients together with the spectrum of background noise. This gives rise to an automatic detection algorithm – with no need of manual prefiltering as is the case with the envelope spectrum – from which fault frequencies can be revealed. The same algorithm also makes possible to filter out the fault signal in a very efficient way as compared to other approaches based on the stationary assumption. The performance is investigated on synthetic signals with a high noise-to-signal ratio and also in the case of a mixture of two independent transients. The effectiveness and robustness of the method are also verified on vibration signals measured on a test-bench (gears and bearings). Results are found superior or at least equivalent to those of conventional envelope analysis and fast kurtogram. Third, a novel scheme for extracting cyclostationary (CS) signals is proposed. By regularizing the periodic variance as hidden variables, a time-varying filter is designed so as to achieve the full-band reconstruction of CS signals characterized by some pre-set characteristic frequency. Of particular interest is the robustness on experimental data sets and superior extraction capability over the conventional Wiener filter. It not only deals with the bearing fault at an incipient stage, but it even works for the installation problem and the case of two sources, i.e. bearing and gear faults together. Eventually, these experimental examples evidence its versatile usage on diagnostic analysis of compound signals. Fourth, a benchmark analysis by using the fast computation of the spectral correlation is provided. One crucial point is to move forward the benchmark study of the CWRU data set by uncovering its own unique characteristics.

Identiferoai:union.ndltd.org:theses.fr/2017LYSEI051
Date22 June 2017
CreatorsXin, Ge
ContributorsLyon, Antoni, Jérôme, Hamzaoui, Nacer
Source SetsDépôt national des thèses électroniques françaises
LanguageEnglish
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0021 seconds