Level: Fortgeschritten
Um ein Echtzeit-Überwachungssystem zur Erkennung von Anomalien für Wälzlager aufzubauen, wird das Beschleunigungssignal des Wälzlagers in Schritten von 0,5 Sekunden vorverarbeitet und dann werden verschiedene statistische Indikatoren auf das vorverarbeitete Beschleunigungssignal angewendet, um NOR (normal) und ORF zu bestimmen (Außenring) des Wälzlagers. Nachdem wir Muster für (Innenringfehler) und IRF (Innenringfehler) definiert haben, lernen wir die Muster mithilfe von Techniken des maschinellen Lernens, um ein System aufzubauen, das die Erkennung von Anomalien in Echtzeit überwacht. Durch Anwendung der statistischen Methodik von JMP wurden Schiefe und Kurtosis als statistische Indikatoren ausgewählt, um NOR- (Normal-), ORF- (Außenringfehler) und IRF- (Innenringfehler) Muster von Beschleunigungssignalen von Wälzlagern zu erkennen. Die Mustererkennung wurde von JMP bereitgestellt. Durch die Anwendung maschineller Lernmethoden wie ANN (Artificial Neural Network), SVM (Support Vector Machines) und logistische Regression, NL (Nominal Logistics), wurde ein Anomalieerkennungsmodell erstellt.
