FaultNet: Ein tiefes konvolutionelles neuronales Netzwerk zur Klassifikation von Lagerraufehlern

Die zunehmende Präsenz fortschrittlicher Sensoren auf Produktionsflächen hat die Ansammlung von Datensätzen ermöglicht, die tiefgreifende Einblicke in den Zustand von Maschinen bieten können. Ein wichtiger und zuverlässiger Indikator für den Maschinenzustand sind Vibrationssignaldaten, die uns ein besseres Verständnis verschiedener Störungen in mechanischen Systemen ermöglichen. In dieser Arbeit analysieren wir Vibrationssignaldaten mechanischer Systeme mit Lagern, indem wir verschiedene Signalverarbeitungsmethoden kombinieren und diese mit Machine-Learning-Techniken verknüpfen, um verschiedene Arten von Lagernstörungen zu klassifizieren. Zudem unterstreichen wir die Bedeutung der Verwendung unterschiedlicher Signalverarbeitungsmethoden und analysieren deren Einfluss auf die Genauigkeit der Lagernstörungserkennung. Neben traditionellen Machine-Learning-Algorithmen stellen wir ein convolutionales neuronales Netzwerk namens FaultNet vor, das die Art der Lagernstörung mit hoher Genauigkeit effektiv erkennen kann. Der entscheidende Unterschied dieser Arbeit liegt im vorgeschlagenen Konzept von Kanälen, das darauf abzielt, aus dem Signal zusätzliche Informationen zu extrahieren. Hierbei haben wir die Kanäle für den Mittelwert und den Median auf das Rohsignal gestapelt, um nützlichere Merkmale zu extrahieren und die Klassifizierung der Signale präziser zu gestalten.