Robustness and transferability of an autoencoder based anomaly detection approach to detect gear damage

Abstract

Using an autoencoder (AE) based approach enables damage detection in a very early stage and does not require labeled training data. The earliest possible damage detection in gearboxes provides a precise insight into the state of health. The aim of this investigation is to use extended training datasets that include multiple operating conditions, thus robust damage detection is investigated independent of the operating state. In a first evaluation the operating states with same speed, but different torques of a healthy gear pair are used as a training dataset. In a second evaluation, operating states of different speeds and torques are used as a training dataset. In addition, the transferability of the algorithm to other gear pairs is examined without training the AE again. The vibration data used for damage detection are recorded on the test bench with a single stage spur gearbox. The test runs are carried out at different damage sizes, speeds and torques. The AE is trained on datasets without damage. The trained AE receives datasets of the tests with and without damage and encodes them. After a subsequent decoding step, the loss of the AE is calculated. The loss varies depending on the damage size. The investigation of the extended training datasets and the transferability of the AE provides valuable insights for the further development of robust damage detection algorithms. Die Verwendung eines Autoencoder (AE)-basierten Ansatzes ermöglicht die Erkennung von Schäden in einem sehr frühen Stadium und erfordert keine gelabelten Trainingsdaten. Die frühestmögliche Schadenserkennung in Getrieben bietet präzise Einblicke in den Zustand des Systems. Ziel dieser Untersuchung ist es, erweiterte Trainingsdatensätze zu nutzen, welche mehrere Betriebszustände beinhalten, so dass eine robuste Schadenserkennung unabhängig vom Betriebszustand untersucht wird. In einer ersten Auswertung werden Betriebszustände mit gleicher Drehzahl, aber unterschiedlichen Drehmomenten eines intakten Getriebepaares als Trainingsdatensatz verwendet. In einer zweiten Auswertung werden Betriebszustände mit verschiedenen Drehzahlen und Drehmomenten als Trainingsdatensatz genutzt. Zusätzlich wird die Übertragbarkeit des Algorithmus auf andere Zahnradpaare untersucht, ohne den AE erneut zu trainieren. Die für die Schadenserkennung verwendeten Vibrationsdaten werden auf einem Prüfstand mit einem einstufigen Stirnradgetriebe aufgezeichnet. Die Testläufe erfolgen bei verschiedenen Schadensgrößen, Drehzahlen und Drehmomenten. Der AE wird mit Datensätzen ohne Schäden trainiert. Der trainierte AE erhält Datensätze aus den Tests mit und ohne Schäden und kodiert diese. Nach einem anschließenden Dekodierschritt wird der Loss des AE berechnet. Der Loss variiert je nach Schadensgröße. Die Untersuchung der erweiterten Trainingsdatensätze und der Übertragbarkeit des AE liefert wertvolle Erkenntnisse für die Weiterentwicklung robuster Algorithmen zur Schadensdetektion.