⚙️ PREDICTIVE MAINTENANCE PROJEKT

Erkennung und Klassifizierung von Lagerfehlern

Vorausschauende Wartung mit FFT-Signalverarbeitung und Random Forest Machine Learning

%100

Genauigkeit

12kHz

Probenahme

FFT

Signalanalyse

R.F.

Zufälliger Wald

🎯

1.1 Allgemeiner Zweck des Projekts

Die laufenden Teile (Lager, Getriebe usw.) von Fahrzeugen, die in der Verteidigungsindustrie und in der Schwerindustrie eingesetzt werden, müssen im Hinblick auf ihre Nachhaltigkeit analysiert werden. Verwendung von Sensordaten anstelle herkömmlicher Wartungsmethoden zustandsbasierte vorausschauende Wartung (Predictive Maintenance) ist geplant.

📊 Datenquelle

Labordaten der Case Western Reserve University (CWRU).

🎯 Ziel

Vorerkennung und Klassifizierung des Fehlers

📈

2.1 Phase der Signalverarbeitung und Frequenzanalyse

Während der Analysephase wurden Daten von der CWRU-Website bezogen 12k Antriebsende Daten verwendet wurden. Zur Analyse und Verarbeitung von Signalen Python welche Programmiersprache verwendet wurde.

Laden von Daten

Hochladen von Daten in das System und Zeichnen zeitabhängiger Diagramme.

Zeitreihenanalyse

Defektes Lager Schläge Es wurde beobachtet, dass.

FFT (Schnelle Fourier-Transformation)

Auf die Signale wurde ein FFT-Verfahren angewendet, um die Frequenz der Impulse zu ermitteln. Bei fehlerhaftem Signal etwa 160 Hz Es wurde ein Energieanstieg festgestellt.

✅ Ergebnis: Es hat sich gezeigt, dass diese Häufigkeiten mit theoretischen Berechnungen übereinstimmen.

💻 Signalverarbeitungscode

# Source - https://stackoverflow.com/q (Modified by Community, CC BY-SA 4.0)

import scipy.io
import matplotlib.pyplot as plt
import numpy as np
from scipy.fft import fft, fftfreq

# Dataları yükleme kısmı
mat = scipy.io.loadmat('arizali.mat')
sinyal = mat['X105_DE_time'].reshape(-1)

# Perform FFT with SciPy
N = len(sinyal)
fs = 12000
yf = fft(sinyal)
xf = fftfreq(N, 1/fs)

# Pozitif frekansları alma
idx_max = N // 2

# Grafik Çizimi
plt.figure(figsize=(10, 6))
plt.plot(xf[:idx_max], np.abs(yf[:idx_max]))
plt.title('Arızalı Rulman Frekans Spektrumu')
plt.grid()
plt.show()

📊Abbildung 1 – Zeitreihenanalyse | Abbildung 2 – Frequenzspektrum

🔬

3.1 Merkmalsextraktion und Anwendung künstlicher Intelligenz

Da eine direkte Analyse von Rohsignalen schwierig ist, Merkmalsextraktion Es wurde beschlossen, dies zu tun. Signale in 1000er-Stücke Für jedes Teil wurden folgende Attribute berechnet:

Attribut	Formel	Beschreibung
RMS	`√(mean(x²))`	Effektiver Wert des Signals
Kurtosis	`scipy.stats.kurtosis()`	Das Schärfemaß der Verteilung
Maximaler Wert	`max(\|x\|)`	Maximaler absoluter Wert

📊 Beobachtung: In der Grafik ist zu sehen, dass gesunde und fehlerhafte Daten bei der Berechnung auf Basis von RMS-Werten voneinander getrennt werden.

💻 Funktionsextraktionscode

# Source - StackOverflow (CC BY-SA 4.0)
import pandas as pd
from scipy.stats import kurtosis

def ozellik_cikar(sinyal, etiket):
    ozellikler = []
    parca_boyutu = 1000
    for i in range(0, len(sinyal) - parca_boyutu, parca_boyutu):
        parca = sinyal[i : i + parca_boyutu]
        
        # RMS ve diğer özellikler hesaplanıyor
        rms = np.sqrt(np.mean(parca**2))
        kurt = kurtosis(parca)
        max_val = np.max(np.abs(parca))
        
        ozellikler.append([rms, max_val, kurt, etiket])
    return ozellikler

# DataFrame oluşturma
df_features = pd.DataFrame(ozellikler, 
    columns=['RMS', 'Max_Value', 'Kurtosis', 'Label'])

📊Abbildung 3 – Merkmalstrennung (RMS)

🏆

4.1 Auswertung der Ergebnisse

Erhaltene Attributdaten Zufälliger Wald Es wurde mit dem Algorithmus trainiert.

%100

Genauigkeit

80/20

Training/Test-Verhältnis

📈 Funktionsbedeutung: Ihr wichtigstes Merkmal Maximaler Wert und RMS Es wurde als Ergebnis der Analyse gesehen.

🔍 Ergebnisse der Verwirrungsmatrix

	Vorhersage: Solide	Vorhersage: Defekt
Fakt: Solide	✓ Richtig	0
Fakt: Defekt	0	✓ Richtig

Modell intakt und defekte Teile ohne Fehler hat sich getrennt.

💻 Modellschulungscode

# Source - StackOverflow (CC BY-SA 4.0)
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# Split Data
X = df_features[['RMS', 'Max_Value', 'Kurtosis']]
y = df_features['Label']
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

# Model Training
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# Prediction
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {acc*100:.2f}")

📊Abbildung 4 – Verwirrungsmatrix

🛠️ Verwendete Technologien

🐍

Python

📊

NumPy

🔬

SciPy

🤖

scikit-lernen

📈

matplotlib

🐼

Pandas

Lagerfehlererkennung – Projekt zur vorausschauenden Wartung und zum maschinellen Lernen