Machine learning based bearing fault diagnosis

Održavanje tehničkih sustava u funkcionalnom stanju jedno je od najznačajnijih djelatnosti suvremenih poduzeća. Samim time razvoj održavanja također ima velik značaj, gdje se počinju primjenjivati inteligentni sustavi kojima je moguća rana dijagnostika kvarova unutar sustava održavanja. Primjena algoritama strojnog učenja unutar održavanja po stanju rezultira smanjenjem vremena zastoja, povećanjem kvalitete proizvoda i usluga, omogućavanjem predviđanja kvarova. Unutar ovog rada primijenjen je jedan od algoritama konvolucijskih neuronskih mreža koje spadaju pod strojno učenje. Algoritmom se provela analiza vibracijskih signala ležajeva sa različitim oštećenjima sa ciljem raspoznavanja tih oštećenja bez ikakvog ručnog izvlačenja značajki iz podataka. Vibracijski signali prolaze kroz višeslojnu konvolucijsku mrežu koja automatski uči značajke signala. Točnost klasifikacije ovog algoritma iznosi oko 97,58%.The maintenance of technical systems in a functional state is one of the most important activities of modern companies. As a result of that, maintenance development also has great significance, where intelligent systems are beginning to be used to provide early diagnosis of failuers within the maintenance systems. The application of machine learning algorithms within the condition based maintenance results in reduction of downtime, increasing the quality of products and services and enables the prediction of failures. In this thesis, one of the algorithms of convolutional neural networks that are part of machine learning has been applied. The algorithm was used to conduct an analysis of vibration signals of bearings with various damages with the purpose of recognizing those damages without extracting any features from the data. Vibration signals pass through a multilayer convolutional network that automatically learns the signals features. The achived accuracy of the classification with the use of this algorithm is approximately 97,58%