EFFICIENT FAULT DETECTION IN INDUSTRIAL EQUIPMENT USING PCA AND SMOTE ENHANCED NEURAL NETWORKS

В. В.  Гуць; О. В. Гороховатський

doi:10.26906/SUNZ.2025.1.77-82

Автор(и)

В. В. Гуць Харківський національний економічний університет імені Семена Кузнеця
О. В. Гороховатський Харківський національний економічний університет імені Семена Кузнеця

DOI:

https://doi.org/10.26906/SUNZ.2025.1.77-82

Ключові слова:

виявлення відмов, нейронні мережі, PCA, SMOTE, зменшення розмірності

Анотація

У цьому дослідженні розглядається проблема виявлення відмов у промисловому обладнанні за
допомогою високовимірних даних вібрації з обмеженою кількістю мічених прикладів. Метою було розробити модель
нейронної мережі, здатну точно класифікувати вектори вимірювань на нормальні та несправні категорії. Набір даних
складався з 1158 зразків, кожен із яких містив 93,752 числові ознаки, що представляли два класи: 865 нормальних та 293
несправних випадки. Було використано комплексний конвеєр попередньої обробки, який включав стандартизацію,
зменшення розмірності за допомогою методу головних компонент (PCA) і техніку синтетичного збільшення меншості
(SMOTE) для балансування класів. Розроблена нейронна мережа досягла базової точності 94,40% із 100 компонентами
PCA. Подальші експерименти показали, що зменшення розмірності архітектури та використання лише 50 компонентів
PCA підвищило точність до 98,81%, підкреслюючи ефективність запропонованого підходу. Ці результати акцентують
увагу на корисності комбінування PCA, SMOTE та нейронних мереж для виявлення відмов у високовимірних
незбалансованих наборах даних. Майбутні напрями досліджень включають вивчення передових архітектур нейронних
мереж, аналіз впливу кількості компонентів PCA на продуктивність моделі та дослідження можливості навчання
ефективних моделей на синтетичних даних.

Завантаження

Посилання

1. B. Krawczyk, "Learning from imbalanced data: Open challenges and future directions," Progress in Artificial Intelligence, vol. 5, no. 4, Apr. 2016. doi:10.1007/s13748-016-0094-0.

2. N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: Synthetic minority over-sampling technique,"Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, Jun. 2002. doi: 10.1613/jair.953.

3. Y. Zhang, and S. Wang, "Deep learning for time series forecasting: A survey," Big Data, vol. 9, no. 1, Dec. 2020. doi:10.1089/big.2020.0159.

4. X. Chen, D. Liu, and H. Zha, "Predictive data mining techniques for fault diagnosis of electric equipment: A review," Applied Sciences, vol. 10, no. 3, p. 950, Feb. 2020. doi: 10.3390/app10030950.

5. B. S. Panigrahi, T. T, M. Tamilselvi, S. B. G. Tilak Babu, P. G and B. Shaik, "Deep Learning Techniques for Fault Detection in Industrial Machinery," 2024 5th International Conference on Recent Trends in Computer Science and Technology (ICRTCST), Jamshedpur, India, 2024, pp. 221-226, doi: 10.1109/ICRTCST61793.2024.10578499.

6. Y. Zhang, et al., "Deep learning-based intelligent fault diagnosis methods toward rotating machinery," IEEE Access, vol. 8, pp. 9335–9346, 2019. doi: 10.1109/ACCESS.2019.2963092.

7. O. Matania, E. Bechhoefer, and J. Bortman, "Digital Twin of a Gear Root Crack Prognosis," Sensors, vol. 23, no. 24, p. 9883, Dec. 2023. doi: 10.3390/s23249883.

8. O. Matania, R. Cohen, E. Bechhoefer, and J. Bortman, "Anomaly Detection and Remaining Useful Life Estimation for the Health and Usage Monitoring Systems 2023 Data Challenge," PHM Society Proceedings, vol. 8, no. 1, Jun. 2024. doi:10.36001/phme.2024.v8i1.4125.

9. O. Matania, E. Bechhoefer, D. Blunt, W. Wang, and J. Bortman, "Anomaly Detection and Remaining Useful Life Estimation for the Health and Usage Monitoring Systems 2023 Data Challenge," Sensors, vol. 24, no. 13, p. 4258, Jun. 2024. doi:10.3390/s24134258.

10. O. Matania, L. Bachar, E. Bechhoefer, and J. Bortman, "Signal Processing for the Condition-Based Maintenance of Rotating Machines via Vibration Analysis: A Tutorial," Sensors, vol. 24, no. 2, p. 454, Jan. 2024. doi: 10.3390/s24020454.

11. T. Chistiakova, J. Zambrano, and B. Carlsson, “Application of machine learning methods for fault detection in wastewater treatment plants,”, in Reglermöte, 2014. doi: 10.13140/2.1.3733.4403.

12. S. Windmann, "Data-Driven Fault Detection in Industrial Batch Processes Based on a Stochastic Hybrid Process Model," in IEEE Transactions on Automation Science and Engineering, vol. 19, no. 4, pp. 3888-3902, Oct. 2022, doi:10.1109/TASE.2021.3138925.

13. Ukrainian hackathon of scientific works of young scientists in the field of intellectual information technologies URL:https://zp.edu.ua/vkiit

14. The dataset. URL: https://pz.zp.ua/files/vkiit/zeroShot_vkiit.rar