Analyse spectrale singulière des signaux vibratoires et Machine Learning pour la surveillance d'usure d'outils

Abstract

Cetteétude explore l'utilisation des techniques de Machine Learning pour la classification de l'état d'outils en usinage. Une analyse spectrale singulière (ASS) pseudo-locale des signaux vibratoires relevés sur le porte-outil, coupléeà un filtrage passe-bande a permis la définition et la mise enévidence d'indicateurs très sensiblesà l'évolution de l'état de l'outil. Ces indicateurs sont définisà partir des sommes des raies spectrales des signaux reconstruits par ASS et de leurs résidus, dans des gammes de fréquence judicieusement choisies. Les taux de reconnaissance de l'usure sont très bons et dépassent les 80 %. Cetté etude met enévidence deux aspects importants : la forte richesse en information des composantes hautes fréquences des signaux vibratoires et la possibilité de s'affranchir du bruit inutile par la combinaison de l'ASS et d'un filtrage passe-bande.

Coupling Singular Spectral and Envelope Analysis for Localised Bearing Defect Detection

“…The rolling bearing is one of the machine's elements present in most industrial plants, and its failure can lead to severe consequences in the production process [1]. Therefore, it is critical to monitor the defect from the very beginning of its occurrence [2]. The vibration analysis technique has already been used in several research projects.…”

“…The singular spectrum analysis (SSA) is a time series analysis technique based on decomposing the original signal into independent ones, the sum of which gives the starting signal. These independent components are reconstructed to distinguish the trending component, the oscillatory content, and the noise, respectively [2]. On the other hand, envelope analysis (EA) demodulates the system's resonant response, followed by frequency shifting and low-pass filtering in the time domain.…”