A framework for robust and explainable gear fault diagnosis
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Zahnradschadendetektion ist ein sub-feld von predictive maintenance, das sich auf die Erkennung von Zahnradschäden konzentriert. Oft wird hierbei machine learning auf Vibrationsdaten eingesetzt. Grübchenschäden sind ein Typ dieser Zahnradschäden, bei dem sich Grübchen auf der Zahnoberfläche bilden. Grübchenerkennungsmodelle sollten in der Praxis drei Eigenschaften aufweisen. Sie sollten unbeobachted trainierbar sein, nicht auf gewollte Änderungen des Zahnradverhaltens reagieren (Robustheit) und ihre Ergebnisse sollten nachvollziehbar für menschliche Entscheider sein. Das Ziel dieser Arbeit ist es die Entwicklung solcher robuster und erklärbarer Modelle zu unterstützen. Dies geschieht durch die Bereitstellung eines theoretischen Rahmens, der die Analyse über Robustheit ermöglicht, und die Erklärbarkeit der Modells verbessert, ohne neue Modelle trainieren zu müssen. Die Analyse von drei unüberwachten Modellen erfolgt mit Hilfe dieses Rahmens. Sie demonstriert die Fähigkeit von Isolation Forest Modellen Grübchenschäden zu erkennen. Die Analyse zeigt des weiteren den Nutzen von simplen Features wie durchschnittlicher Vibrationsamplitude für Grübchenerkennung. Obwohl keines der untersuchten Modelle in der Lage ist, alle drei Eigenschaften aufzuweisen, zeigt die Untersuchung der Modelle die Fähigkeit des Rahmens, Forschende in der Entwicklung und Bewertung von robusten und erklärbaren Modellen zu unterstützen.
Gear fault detection is a sub field of predictive maintenance, that deals with automatically identifying gear faults, often using machine learning on vibration data. One of these gear faults is pitting damage, which deals with small pits on the gear tooth surface. Pitting detection models should ideally have three desirable qualities in a practical detection setting. First, they should be trained in an unsupervised manner. Next, they should be robust to intentional changes in gear behavior, like a change in gear speed or torque. Finally, their decisions should be interpretable to human decision makers. The objective of this thesis is to aid the development of such models. We attempt to achieve this objective by providing a theoretical framework that allows for the analysis of robustness and improves explainability in a lightweight manner. An analysis of 3 unsupervised models is provided as a demonstration of the capabilities of the framework. The evaluation of the models with the framewokr demonstrates the utility of Isolation Forests in pitting detection. It further showcases how simple input features like mean amplitude can be used in pitting detection. While no perfectly robust and explainable model is found, the evaluation clearly demonstrates the utility of the framework in aiding the evaluation of machine learning models with regards to robustness and explainability.
Gear fault detection is a sub field of predictive maintenance, that deals with automatically identifying gear faults, often using machine learning on vibration data. One of these gear faults is pitting damage, which deals with small pits on the gear tooth surface. Pitting detection models should ideally have three desirable qualities in a practical detection setting. First, they should be trained in an unsupervised manner. Next, they should be robust to intentional changes in gear behavior, like a change in gear speed or torque. Finally, their decisions should be interpretable to human decision makers. The objective of this thesis is to aid the development of such models. We attempt to achieve this objective by providing a theoretical framework that allows for the analysis of robustness and improves explainability in a lightweight manner. An analysis of 3 unsupervised models is provided as a demonstration of the capabilities of the framework. The evaluation of the models with the framewokr demonstrates the utility of Isolation Forests in pitting detection. It further showcases how simple input features like mean amplitude can be used in pitting detection. While no perfectly robust and explainable model is found, the evaluation clearly demonstrates the utility of the framework in aiding the evaluation of machine learning models with regards to robustness and explainability.