Self-adaptive fault diagnosis of roller bearings using infrared thermal images

Abstract

Abstract-Fault diagnosis of roller bearings in rotating machinery is of great significance to identify latent abnormalities and failures in industrial plants. This paper presents a new selfadaptive fault diagnosis system for different conditions of roller bearings using InfraRed Thermography (IRT). In the first stage of the proposed system, 2-Dimensional Discrete Wavelet Transform (2D-DWT) and Shannon entropy are applied respectively to decompose images and seek for the desired decomposition level of the approximation coefficients. After that, the histograms of selected coefficients are used as an input of the feature space selection method by using Genetic Algorithm (GA) and Nearest Neighbor (NN), for the purpose of selecting two salient features that can achieve the highest classification accuracy. The results have demonstrated that the proposed scheme can be employed effectively as an intelligent system for bearing fault diagnosis in rotating machinery.

Quantum Automated Object Detection Algorithm

“…Different from traditional methods such as histogram statistics based image analysis [4], several QIP methods were proposed. In [5], the authors proposed an initial step of QIP.…”

Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach

“…[25] for predictive maintenance of parallel power cables in electrical equipment. In the article [26], the author used the self-adaptive technique for the fault diagnosis system of the rolling bearing under different working conditions using IRT technology, and genetic algorithm (GA) and nearest neighbor (NN) models for selecting suitable features to increase the accuracy. In Ref.…”

Detecção automática de problemas elétricos por meio de análise computacional de imagens térmicas

“…Nesse caso, a segmentação da imagem térmica deve ser exatamente nas regiões pré-definidas, portanto opta-se pela seleção manual do especialista.Em complemento, há aqueles trabalhos que buscam reduzir o máximo possível da subjetividade humana, ou até mesmo tornar o processo de análise totalmente automático, utilizando de algoritmos mais complexos, normalmente para classificação. Uma das etapas mais importantes dentro das metodologias apresentadas é a de extração de características (features) das imagens, processo que ocorre na transição entre o processamento da imagem e a análise, onde informações relevantes são obtidas da imagem térmica e servem de entrada para algoritmos de inteligência artificial, sendo fundamental para o sucesso da análise (FANG;WU, 2007;HUO et al, 2017;KARVELIS et al, 2014;LIU et al, 2015;SVENSSON, 2014;USAMENTIAGA et al, 2014)…”

“…Quando se há maior conhecimento sobre a aplicação, pode-se extrair características que trazem indícios de alguma propriedade em particular. No trabalho deKarvelis et al (2014), uma das características extraídas consiste na razão entre as temperaturas de regiões segmentadas da imagem; em,Huo et al (2017), se utiliza a soma de todos os pixels da imagem; emSvensson (2014), são extraídas propriedades bastante específicas da aplicação, como componentes conectadas, "retangularidade" e "circularidade". Ainda considerando a extração de características, o algoritmo PCA foi utilizado em diversos trabalhos, como visto na Tabela 2.…”

“…Com essa informação, seria possível tornar o processo mais eficiente, utilizando apenas aquelas que mais influenciam na decisão final. Nesse aspecto, o trabalho deHuo et al (2017), que faz a extração de diversas características de domínios de tempo e frequência, propõe um método para seleção dos parâmetros mais importantes. Por não haver exatamente uma direção de quais são as melhores características, é sugerido que, em vez de utilizar do conhecimento prévio de acordo com a experiência do autor, um método híbrido para classificação e seleção de variáveis seja utilizado.…”