Classification des défauts de roulement utilisant la décomposition en mode empirique en ensemble et les réseaux de neurones convolutifs

La surveillance de l'état est utilisée pour suivre les phases inévitables des roulements à éléments roulants dans un moteur à induction (IM) afin d'assurer un fonctionnement fiable dans les machines domestiques et industrielles. Le réseau de neurones convolutifs (CNN) a été utilisé comme un outil efficace pour reconnaître et classer plusieurs défauts de roulement récemment. En raison de la nature non linéaire et non stationnaire des signaux vibratoires, il est assez difficile d'atteindre une haute précision de classification en utilisant directement le signal original comme entrée d'un réseau de neurones convolutifs. Pour évaluer les caractéristiques des défauts, la décomposition en mode empirique en ensemble (EEMD) est mise en œuvre pour décomposer le signal en plusieurs fonctions de mode intrinsèques (IMFs) dans ce travail. Ensuite, sur la base de la valeur de kurtosis, les IMFs insignifiants sont filtrés et le signal original est reconstruit avec le reste des IMFs afin que le signal reconstruit contienne les caractéristiques de défaut. Après cela, le signal vibratoire reconstruit en 1-D est converti en une image 2-D en utilisant une transformée en ondelettes continue avec des informations provenant de la bande de fréquence de défaillance. Cela transfère également le signal dans un domaine temps-fréquence et réduit les effets non stationnaires du signal vibratoire. Enfin, les images générées de diverses conditions de défaut, qui possèdent un motif discriminatif par rapport aux types de défauts, sont utilisées pour entraîner un modèle CNN approprié. De plus, avec le signal reconstruit, deux méthodes différentes sont utilisées pour créer une image à comparer avec notre approche de création d'image proposée. Le signal de vibration est collecté à partir d'un banc d'essai auto-conçu contenant plusieurs roulements de différentes conditions de défaut. Deux autres architectures CNN conventionnelles sont comparées à notre modèle proposé. Sur la base des résultats obtenus, on peut conclure que l'image générée avec des signatures de défauts non seulement classe avec précision plusieurs défauts avec CNN mais peut également être considérée comme une méthode fiable et stable pour le diagnostic des roulements défaillants.