Feature relevance estimation for vibration-based condition monitoring of an internal combustion engine

• Muriel, José Alberto Hernández ^[1] ; Meza, Andrés Marino Álvarez ^[1] ; Correa, Julián David Echeverry ^[1] ; Gutierrez, Álvaro Ángel Orozco ^[1] ; López, Mauricio Alexánder Álvarez ^[2]
  1. [1] Universidad Tecnológica de Pereira

     Universidad Tecnológica de Pereira

     Colombia

     
  2. [2] University of Sheffield

     University of Sheffield

     Reino Unido

     
• Localización: TecnoLógicas, ISSN-e 2256-5337, ISSN 0123-7799, Vol. 20, Nº. 39, 2017 (Ejemplar dedicado a: May - August 2017), págs. 157-172
• Idioma: inglés
• Títulos paralelos:
  • Estimación de características relevantes para el monitoreo de condición de motores de combustión interna a partir de señales de vibración
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El monitoreo de condición de motores de combustión interna (MCI) facilita que las operaciones del sector industrial moderno sean más rentables. En este sentido, las señales de vibración comúnmente son empleadas como un enfoque no invasivo para el análisis de MCI. Sin embargo, el monitoreo de MCI basado en vibraciones presenta un desafío relacionado con las propiedades de la señal, la cual es altamente dinámica y no-estacionaria, sin mencionar las diversas fuentes presentes durante el proceso de combustión. En este artículo, se propone una estrategia de análisis de relevancia orientada al monitoreo de MCI basado en vibraciones. Este enfoque incorpora tres etapas principales: descomposición de la señal utilizando un algoritmo de Ensemble Empirical Mode Decomposition, estimación de parámetros multi-dominio desde representaciones en tiempo y frecuencia, y una selección supervisada de características basada en Relief-F. Así, las señales de vibración se descomponen utilizando un análisis auto-adaptativo para representar la no-linealidad y no-estacionariedad de las series de tiempo. Luego, para codificar dinámicas complejas y/o no estacionarias, se calculan algunos parámetros en el dominio del tiempo y de la frecuencia. Posteriormente, se calcula un vector de índice de relevancia para cuantificar la contribución de cada una de las características multi-dominio para discriminar diferentes categorías de estimación de mezcla de combustible y diagnóstico de MCI. Los resultados de clasificación obtenidos (cercanos al 98% de acierto) en una base de datos de MCI, revelan como la propuesta planteada identifica un subconjunto de características relevantes en el monitorio de condición de MCI.

  • English

    Condition monitoring of Internal Combustion Engines (ICE) benefits cost-effective operations in the modern industrial sector. Because of this, vibration signals are commonly monitored as part of a non-invasive approach to ICE analysis. However, vibration-based ICE monitoring poses a challenge due to the properties of this kind of signals. They are highly dynamic and non-stationary, let alone the diverse sources involved in the combustion process. In this paper, we propose a feature relevance estimation strategy for vibration-based ICE analysis. Our approach is divided into three main stages: signal decomposition using an Ensemble Empirical Mode Decomposition algorithm, multi-domain parameter estimation from time and frequency representations, and a supervised feature selection based on the Relief-F technique. Accordingly, we decomposed the vibration signals by using self-adaptive analysis to represent nonlinear and non-stationary time series. Afterwards, time and frequency-based parameters were calculated to code complex and/or non-stationary dynamics. Subsequently, we computed a relevance vector index to measure the contribution of each multi-domain feature to the discrimination of different fuel blend estimation/diagnosis categories for ICE. In particular, we worked with an ICE dataset collected from fuel blends under normal and fault scenarios at different engine speeds to test our approach. Our classification results presented nearly 98% of accuracy after using a k-Nearest Neighbors machine. They reveal the way our approach identifies a relevant subset of features for ICE condition monitoring. One of the benefits is the reduced number of parameters.