Approach to data dimensionality reduction and defect classification based on vibration analysis for maintenance of rotating machinery

Abstract

EN: Context. The actual problem of effective intelligent diagnostics of malfunctions of rotating equipment is solved. The object of study is the process of data dimensionality reduction and defect classification based on vibration analysis for maintenance of rotating machines. The subject of study is the methods of dimension reduction and defect classification by vibration analysis. Objective. Development of an approach to data dimensionality reduction and defect classification based on vibration analysis for maintenance of rotating machines Method. The comprehensive approach to data dimensionality reduction and defect classification based on vibration analysis is proposed, which solves the problem of data dimensionality reduction for training classifiers and defect classification, and also solves the problem of building a neural network classifier capable of ensuring the speed of fault classification without loss of accuracy on data of reduced dimensionality. The approach differs from the existing ones by the possibility of using optional union and intersection operators when forming a set of significant features, which provides flexibility and allows to adapt to different contexts and data types, ensuring classification efficiency in cases of large-dimensional data. A denoising method allows to preserve important information, avoiding redundancy and improving the quality of data for further analysis. It involves calculating the signal-to-noise ratio, setting thresholds, and applying a fast Fourier transform that separates relevant features from noise. Applying the LIME method to a set of machine learning models allows to identify significant features with greater accuracy and interpretability. This contributes to more reliable results, as LIME helps to understand the influence of each feature on the final model solution, which is especially important when working with large datasets, where the importance of individual features may not be obvious. The implementation of optional operators of union and intersection of significant features provides additional flexibility in choosing an approach to defining important features. This allows the method to be adapted to different contexts and data types, ensuring efficiency even in cases with a large number of features. Results. The developed method was implemented in software and examined when solving the problem of defect classification based on vibration analysis for maintenance of rotating machines. Conclusions. The conducted experimental studies confirmed the high efficiency and workability of the proposed approach for reducing the dimensionality of data and classifying defects based on vibration analysis in the aspect of maintenance of rotating machines. Prospects for further research will be directed to the search for alternative neural network architectures and their training to reduce training time. UK: Актуальність. Вирішується актуальна проблема ефективної інтелектуальної діагностики несправностей обертового обладнання. Об’єктом дослідження є процес зменшення розмірності даних та класифікації дефектів за аналізом вібрацій для технічного обслуговування обертових машин. Предметом дослідження є методи зменшення розмірності та класифікації дефектів за аналізом вібрацій. Мета роботи – створення підходу до зменшення розмірності даних та класифікації дефектів за аналізом вібрацій для технічного обслуговування обертових машин Метод. Запропоновано комплексний підхід до зменшення розмірності даних та класифікації дефектів за аналізом вібрацій, що вирішує задачу зменшення розмірності даних для навчання класифікаторів та класифікації дефектів, а також вирішено задачу побудови нейромережевого класифікатора, що спроможний забезпечити швидкість класифікації несправностей без втрати точності на даних зменшеної розмірності. Підхід відрізняється від існуючих можливістю застосування опційних операторів об’єднання та перетину при формуванні множини значущих ознак, що надає гнучкість та дозволяє адаптуватись до різних контекстів та типів даних, забезпечуючи ефективність класифікації у випадках даних великої розмірності. Метод для очищення від шуму дозволяє зберігати важливу інформацію, уникаючи надлишковості та покращуючи якість даних для подальшого аналізу. Він передбачає обчислення співвідношення сигнал/шум, встановлення порогових значень та застосування швидкого перетворення Фур’є, що забезпечує виокремлення релевантних ознак від шумів. Використання методу LIME до множини моделей машинного навчання дозволяє визначити значущі ознаки з більшою точністю та інтерпретованістю. Це сприяє отриманню надійніших результатів, оскільки LIME допомагає зрозуміти вплив кожної ознаки на кінцеве рішення моделі, що особливо важливо при роботі з великими датасетами, де важливість окремих ознак може бути неочевидною. Впровадження опційних операторів об’єднання та перетину значущих ознак надає додаткову гнучкість у виборі підходу до визначення важливих ознак. Це дозволяє адаптувати метод до різних контекстів та типів даних, забезпечуючи ефективність навіть у випадках з великою кількістю ознак. Результати. Розроблений метод реалізовано програмно і досліджено при вирішенні задачі класифікації дефектів за аналізом вібрацій для технічного обслуговування обертових машин. Висновки. Проведені експериментальні дослідження підтвердили високу ефективність та працездатність запропонованого підходу для зменшення розмірності даних та класифікації дефектів за аналізом вібрацій в аспекті технічного обслуговування обертових машин. Перспективи подальших досліджень будуть направлені на пошуки альтернативних нейромережевих архітектур та їх навчання для зниження часу навчання.