Analysis of Window Size and Statistical Features for SVM-based Fault Diagnosis in Bearings

Authors

  • Jusley da Silva Souza Universidade Federal do Pará
  • Marcus Vinícios Luz dos Santos
  • Rafael Suzuki Bayma
  • Alexandre Luiz Amarante Mesquita

Keywords:

Bearings, fault d, machine learning, SVM

Abstract

Bearings are mechanical components used in many rotating devices. They exhibit high failure rates which cause significant maintenance downtime. For this reason, there has been an increase in the efforts for designing techniques that allow early failure detection. Fault diagnostics systems based on machine learning are becoming increasingly prominent in this scenario. These techniques have three fundamental steps: signal acquisition, feature extraction and fault classification. The present work aims to provide a detailed analysis at the second and third steps, in the context of producing efficient statistical attributes for bearing fault recognition using Support Vector Machine (SVM) classifiers. More specifically, the classifier’s performance is studied considering different statistical features, class formulation and different sizes of the window over which features are computed.

Author Biographies

Marcus Vinícios Luz dos Santos

Possui graduação em Engenharia Mecânica pela Universidade Federal do Pará (2019). Atualmente trabalha como Analista de Manutenção em uma empresa de mineração de grande porte. Tem experiência com análise de falhas, projetos de estruturas e sistemas mecânicos e programação.

Rafael Suzuki Bayma

Possui graduação em Engenharia Elétrica pela Universidade Federal do Pará (2005) e mestrado em Engenharia Elétrica pela Universidade Federal do Pará (2006). Possui PhD pelo Department of Automatic Control and Systems Engineering, The University of Sheffield, United Kingdom (2014). Tem experiência na área de Engenharia Elétrica, com ênfase em Processamento de Sinais, Identificação de Sistemas e Sistemas de Controle, atuando principalmente nos seguintes temas: identificação de modelos NARMAX polinomiais, séries de Volterra, análise de sistemas não-lineares no domínio da frequência e aplicações à diagnóstico de faltas.

Alexandre Luiz Amarante Mesquita

Possui graduação em Engenharia Mecânica pela Universidade Federal do Pará (1992), Mestrado em Engenharia Mecânica pela Universidade de Brasília (1996) e Doutorado em Engenharia Mecânica pela Universidade Estadual de Campinas (2004). Atualmente é Professor Associado IV do Curso de Engenharia
Mecânica na Universidade Federal do Pará. Possui experiência na área de Dinâmica Aplicada, atuando
principalmente nos seguintes temas: Vibrações, Análise Modal, Dinâmica de Rotores, Processamento de
Sinais e Acústica. 

Published

2020-10-22
Bookmark and Share