A Study of Deep Learning-based Spall Size Distribution Estimation for Rolling Element Bearing Diagnosis

Abstract

When a rolling element bearing (REB) fails, the most common reason is the spall caused by rolling contact fatigue. In previous studies, when a ball passes through a spall, a step response with a low-frequency appears due to the effect of entering to the spall and an impulse response with a high-frequency appears when exiting the spall in the acceleration signal. Since the entry event signal is relatively weaker than the exit event signal and noise, research to date have attempted to estimate the location of the entry event using various signal processing technic such as noise reduction and strengthening the entry event features. However, in signal processing, manual parameter selection for finding the characteristics of entry event varies on bearing geometry and operating condition and since the parameter selection is empirical, the accuracy may differ accordingly. In addition, the spall size reflected in the signal also has uncertainty due to the geometry of the real spall and the uncertainty of rotation due to random slip. To overcome this difficulty, a deep learning-based approach was proposed in this study. The proposed architecture learned through analytic simulation signals which was generated by similar geometry and operating conditions to test data, the spall size was estimated without manual parameter selection. By obtaining the mean and variance from the estimated values obtained from the models trained with several kernels and strides, the spall size distribution was obtained. The proposed method was validated through experimental data. Through the performance analysis results, the proposed method was effective.

구름 접촉 피로로 인한 스폴은 구름 요소 베어링 파손의 가장 일반적인 원인이며 스폴 크기 추정은 심각도를 추정하는 좋은 방법이 될 수 있다. 기존 연구에서는 구름 요소가 스폴 영역을 지나가는 과정에서, 진입할 때 저주파 단계 응답이 나타나고, 이탈할 때 고주파의 충격 응답이 나타난다고 알려져 있다. 진입이벤트 신호는 이탈이벤트 신호 및 노이즈에 비해 상대적으로 약하기 때문에 지금까지의 연구에서는 노이즈 감소, 진입이벤트 특성인자 강화 등의 다양한 신호처리 기술을 이용하여 진입이벤트의 시간적 위치를 추정하고자 하였다. 그러나 신호처리에서 진입이벤트의 특성을 찾기 위한 매개변수 선택은 베어링 형상이나 작동 조건 등에 따라 다르며, 선택이 경험적이므로 정확도가 경우에 따라 다를 수 있다. 또한 신호에 반영된 스폴의 크기도 실제 스폴의 일정하지 않은 모양에 의한 불확실성과 베어링 구름요소의 임의 미끄러짐으로 인한 회전의 불확실성을 가지고 있다. 이러한 어려움을 극복하기 위해 본 연구에서는 딥러닝 기반 접근 방식을 제안한다. 테스트 데이터와 유사한 형상 및 작동 조건인 해석적 시뮬레이션 신호를 통해 학습된 제안모델은 매개변수의 수동적 선택 없이 스폴의 크기를 추정한다. 여러 커널과 스트라이드가 선택되어 만들어진 여러 훈련모델에서 얻은 추정값을 통해 평균과 분산을 구하여 파편 크기 분포를 추정한다. 제안된 모델은 고장을 인가한 베어링을 통해 얻어진 실험 데이터로 검증한다. 성능 분석 결과는 제안된 접근 방식이 효과적임을 나타낸다.