Towards Accurate Gear Fault Diagnosis: Hybrid Data Enrichment by Digital Twins for Machine Learning-Based Monitoring
Résumé
Purpose Machine learning algorithms demonstrate a strong potential for condition monitoring and fault detection of industrial equipment. However, their reliance on experimental data for training limits their applicability in industry. Method To address this limitation, this paper proposes a novel approach based on hybrid data, combining available experimental data with simulated data generated by a digital twin model. The construction of such hybrid dataset presents a challenging task to achieve a high accuracy. Two ways of data enrichment are considered: (i) increasing the volume of available states (quantitative enrichment) and (ii) adding unavailable states (qualitative enrichment). The approach’s performance is evaluated using different well-established classifiers. Results Results show an improvement in accuracy compared with the approach using solely simulated data. The accuracy is higher than 90 with 20 of experimental data for quantitative enrichment and with 50 for qualitative enrichment. Conclusion In view of the results, this study provides valuable insights into how the digital twin can be used as a means of enriching data for gear diagnosis.
Objectif : Les algorithmes d'apprentissage automatique (machine learning) présentent un fort potentiel pour la surveillance de l'état et la détection de défauts des équipements industriels. Cependant, leur dépendance aux données expérimentales pour l'entraînement limite leur applicabilité dans l'industrie. Méthode : Pour remédier à cette limitation, cet article propose une approche novatrice basée sur des données hybrides, combinant les données expérimentales disponibles avec des données simulées générées par un modèle de jumeau numérique (digital twin). La construction d'un tel jeu de données hybride constitue une tâche complexe pour atteindre une précision élevée. Deux modes d'enrichissement des données sont envisagés : (i) l'augmentation du volume des états disponibles (enrichissement quantitatif) et (ii) l'ajout d'états non disponibles (enrichissement qualitatif). La performance de cette approche est évaluée à l'aide de différents classifieurs reconnus. Résultats : Les résultats montrent une amélioration de la précision par rapport à l'approche utilisant uniquement des données simulées. La précision dépasse 90 % avec 20 % de données expérimentales pour l'enrichissement quantitatif, et avec 50 % pour l'enrichissement qualitatif. Conclusion : Au vu des résultats, cette étude fournit des indications précieuses sur la manière dont le jumeau numérique peut être utilisé comme moyen d'enrichissement de données pour le diagnostic des engrenages.