Signal processing and feature extraction for automated machine diagnostics : methodology and experiments

Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Technology and Natural Sciences of the University of Oulu for public defence in Martti Ahtisaari auditorium (L2), Linnanmaa, on 28 March 2025, at 12 noon

Abstract

Proper maintenance significantly improves the reliability and safety of mechanical machinery. In addition, well-performed maintenance can save energy. However, excessive maintenance can lead to unreasonable consumption of spare parts and labour while causing unnecessary downtime. Maintenance planning benefits from early warnings about the deteriorating condition of machine elements. These warnings allow well-timed corrective or, ideally, preventive actions.

The objective of this study was to determine the signal processing and feature extraction methods suitable for automated machine diagnostics. Successful automated diagnostics requires methods that are sufficiently sensitive to faults, and often the capability of identifying the fault and keeping track of its progression is desirable as well. The methodology discussed and applied in this thesis can be utilised for automating all of the aforementioned tasks. Utilising real order derivatives was studied along with the application of generalised norms both in time and frequency domains.

The methods introduced and suggested adjustments to existing techniques allow automatic determination of the frequency range in which the changes in vibration have taken place. Separating overall level changes from phenomena that cause shock-like vibration is also possible. A method for identifying cyclostationarity in signals with a relatively low computational load is presented, making it feasible to implement automated cyclostationarity detection in inexpensive systems. Although the primary focus of this study is on signals obtained from vibration measurements, the methods can be applied to any type of signal.

Moreover, the proposed stress evaluation methodology can be utilised to monitor cumulative stress levels and generate forecasts of the risk level for the faults that occur. This approach is particularly useful in cases where detecting and identifying faults is challenging, such as when instrumentation cannot be easily mounted near machine parts which are prone to damage. These methods could also be applied to develop novel machine learning-based systems for fault detection and identification.Tiivistelmä

Hyvä kunnossapito parantaa huomattavasti koneiden luotettavuutta ja turvallisuutta. Lisäksi oikeilla huoltotoimenpiteillä voidaan säästää energiaa. Liian usein suoritetut huollot ja korjaukset voivat kuitenkin johtaa varaosien ja työvoiman kohtuuttomaan kulutukseen sekä aiheuttaa turhia seisokkeja. Kunnossapidon suunnittelussa on suurta hyötyä siitä, että tieto koneen osien heikentyneestä kunnosta saadaan ajoissa. Tällainen tieto mahdollistaa oikea-aikaiset korjaavat – tai parhaimmillaan ennaltaehkäisevät – toimenpiteet.

Tämän tutkimuksen tavoitteena oli määrittää signaalinkäsittely- ja piirteenerottelutekniikat, jotka soveltuvat automatisoituun konediagnostiikkaan. Onnistunut diagnostiikan automatisointi edellyttää menetelmiä, jotka ovat riittävän herkkiä viantunnistukseen. Usein on myös suureksi hyödyksi, jos vika kyetään ajoissa tunnistamaan sekä sen kehittymistä seuraamaan. Tässä tutkimuksessa esitettyjä ja sovellettuja menetelmiä voidaan käyttää kaikkien edellä mainittujen asioiden automatisointiin. Reaaliasteisten aikaderivaattojen käyttöä on tutkittu, samoin kuin yleistettyjen normien soveltamista sekä aika- että taajuustasossa.

Tutkimuksessa esitetyillä tavoilla voidaan automatisoidusti määritellä taajuusalue, jolla värähtelyssä on tapahtunut muutos. Myös jatkuvaa värähtelyä aiheuttavat muutokset voidaan erottaa iskumaisista värähtelyistä. Lisäksi on esitelty menetelmä syklistationaarisuuden tunnistamiseen suhteellisen pienellä laskentateholla. Näin voidaan toteuttaa automatisoitu syklistationaarisuuden tunnistus edullisen hintaluokan järjestelmällä. Vaikka tässä tutkimuksessa onkin keskitytty lähinnä värähtelymittauksista saatuihin signaaleihin, voidaan menetelmiä soveltaa signaalin tyypistä riippumatta.

Lisäksi esitellyt rasitustason arviointitavat voidaan ottaa käyttöön kumulatiivisten rasituskertymien seurannassa ja näin laatia ennusteita vikaantumisriskeistä. Tämä voi olla hyödyksi tapauksissa, joissa vikojen havaitseminen ja tunnistaminen on vaikeaa, esimerkiksi siitä syystä, että mittauksia ei voida helposti tehdä vaurioille alttiiden koneenosien läheltä. Menetelmiä voitaisiin myös soveltaa kehitettäessä koneoppimiseen perustuvia järjestelmiä vikojen havaitsemiseen ja tunnistamiseen.