Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://dx.doi.org/10.18419/opus-12814
Autor(en): Schmid, Tobias
Titel: Examining a hybrid pitting detection approach on real data
Erscheinungsdatum: 2023
Dokumentart: Abschlussarbeit (Bachelor)
Seiten: 66
URI: http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-128331
http://elib.uni-stuttgart.de/handle/11682/12833
http://dx.doi.org/10.18419/opus-12814
Zusammenfassung: We propose a hybrid detection approach for pitting detection in gears. Most research on pitting detection with machine learning is done on supervised data and often on simulated pitting. However, for pitting detection in practice an unsupervised approach is required. The main idea behind the proposed solution is the ability to leverage elements of supervised machine learning models in pitting detection, while operating on unlabeled data. The training data used for this algorithm is taken from gear boxes with actual pitting failure and without prior knowledge about pitting size during different stages of operation, providing a realistic case for an operational scenario. The approach can be seen as two parts. At first we try to detect changes in the underlying structure of the vibration data using fast fourier transform to obtain frequency spectra that are fed to a sparse autoencoder. The encoded reduced feature space is the clustered to look for separability by time. In case there are significant changes in the underlying structure, an Long Short Term Memory model is trained to see if the changes can be validated as actual pitting damage. The LSTM can then further be used to adapt fast to the pitting damage with the goal of prolonging the lifespan of the gear.
Zur Lösung von automatischer Grübchenerkennung am laufenden Getriebe wird ein hybrides Modell vorgestellt und untersucht. Die meisten Arbeiten zur automatischen Grübchenerkennung fallen unter den Bereich des überwachten maschinellen Lernens, mit zuvor gekennzeichneten Daten. Zusätzlich werden Grübchenschäden oft durch gebohrte Löcher simuliert. Für die Erkennung von Grübchen am laufenden Getriebe muss ein Modell jedoch auf unbeschrifteten Daten operieren können. Die vorgestellte hybride Lösung ermöglicht es einen Klassifikationsalgorithmus auf unbeschrifteten Daten zu trainieren. Zum Test der Methode werden Daten verwendet von Getrieben verwendet, über die lediglich bekannt ist, dass sie am Ende ihrer Laufzeit über Grübchen verfügten. Diese Daten bieten eine gute Annäherung an ein tatsächliches Betriebsszenario. Der Ansatz kann grob in zwei Teile unterteilt werden. Zunächst wird die zu Grunde liegende Struktur der Daten durch einen Autoencoder gelernt. Sobald sich eine signifikante Veränderung der Struktur anhand eines Clustering feststellen lässt, wird ein Klassifikator in Form eines Long Short Term Memory Modell auf den Daten trainiert. Die Beschriftung der Daten folgt der Beschriftung der Cluster, die als zeitlich trennbar identifiziert wurden. Ziel ist er den Klassifikator als Teil einer adaptiven Betriebsstrategie anzuwenden, und so durch variierung des Eingangsdrehmoments die Lebensdauer des Zahnrads zu steigern.
Enthalten in den Sammlungen:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
Bachelorarbeit_Tobias_Schmid_Final.pdf1,95 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repositorium sind urheberrechtlich geschützt.