Statistical Batch-Based Bearing Fault Detection

在旋转机械领域，轴承容易出现不同的机械故障，包括球、内、外圈故障。可以使用各种技术进行基于条件的监测，从传统的信号分析到深度学习方法。基于旋转机器的复杂工作条件，多元统计过程控制图如Hotelling's $T^2$和平方预测误差对于提供早期警告是有用的。然而，由于数据集的单变量性质，这些方法很少应用于旋转机械的条件监测。在本文中，我们提出了一种基于多元统计过程控制的故障检测方法，利用傅里叶变换特征组成的多元数据，这些特征是为固定时间批次提取的。我们的方法利用了傅里叶变换特征的多维性质，记录了有关机器状态的更详细信息，旨在增强早期缺陷检测和诊断。通过使用不同的振动测量位置（风扇端、驱动端）、故障类型（球、内、外圈故障）和电机负载（0-3马力）进行实验，以验证所提出的方法。结果说明了我们的方法在故障检测方面的有效性，并指出了在工业维护中可能更广泛的应用。

本论文旨在提出一种基于多元统计过程控制的故障检测方法，利用傅里叶变换特征提取的多元数据，以提高早期故障检测和诊断的效果。

本文提出的方法是利用傅里叶变换特征提取的多元数据，结合多元统计过程控制图进行故障检测，以提高检测效果。

本文使用不同的振动测量位置、故障类型和电机负载进行实验验证，结果表明本方法在故障检测方面具有很好的效果。此外，本文的方法可以为工业维护提供更广泛的应用。

在这个领域中，还有一些相关的研究，如使用经典信号分析和深度学习方法进行条件监测等。