Deteccion de fallas en maquinaria rotativa: Implementacion de una RedNeuronal Convolucional

Federico Ulloa RiosUniversidad de los Andes

Cra 1 No 18A- 12f.ulloa10@uniandes.edu.co

Giacomo BarbieriUniversidad de los Andes

Cra 1 No 18A- 12g.barbieri@uniandes.edu.co

Resumen

Los metodos de machine learning han sido utilizadosen el mantenimiento basado en la condicion desde la apli-cacion de diferentes acercamientos a la extraccion de car-acterısticas. En este trabajo, se propone una metodologıapara deteccion de fallas en maquinaria rotativa, que evitael proceso de extraccion de caracterısticas al obtener el es-pectrograma de la senal original y posteriormente utilizarredes neuronales convolucionales, ademas permite su en-trenamiento fin a fin. Tres bases de datos diferentes fueronutilizadas para validar la metodologıa planteada, dos basesde datos se encuentran disponibles en-linea y una fue con-struida para este trabajo. La metodologıa planteada lograclasificar correctamente todas las categorıas obteniendo un100% de exactitud en las tres bases de datos, mostrando sucapacidad y utilidad para la deteccion de fallas.

1. Introduccion

El mantenimiento basado en la condicion (CBM) re-comienda decisiones de mantenimiento basado en la in-formacion recolectada a partir del monitoreo continuo dela maquina. Un sistema efectivo de CBM puede reducirsignificativamente el costo de mantenimiento al recudir elnumero de fallas inesperadas y el numero de operacionesde mantenimiento preventivo innecesarias. Un elementoimportante en el mantenimiento basado en la condicionson los sensores con los que se encuentra instrumentadala maquina, una de los sensores mas utilizados son losacelerometros para monitorear las vibraciones por la grancantidad de informacion que brindan [6]. Ademas, de-bido al aumento en los sensores que vienen incorporadosen la maquinas y la facilidad de recolectar y guardar datoscon implementaciones de Internet de las Cosas (IoT) en lasplantas de manufactura, CBM se ha convertido en un focode atencion y la investigacion en esta area ha venido incre-mentado en los ultimos anos [10].

Una vez se obtienen los datos, el siguiente proceso esanalizar los datos para llegar a una deteccion. La tarea prin-cipal para este problema es el reconocimiento de patronesen los datos para clasificar la serie de tiempo en la cate-gorıa correspondiente. El proceso que mas influye en losresultados del reconocimiento de patrones es la extraccionde caracterısticas, por esto, en los ultimos anos las inves-tigaciones se han enfocado en diferentes metodologıas deextraccion de caracterısticas que representen la senal. Esto,incluye desde extraccion de caracterısticas estadısticas [3],hasta tecnicas mas avanzadas basadas en el espectro de po-tencia de la senal y caracterısticas basadas en la entropıa[7].

En este articulo, el proceso de extraccion de carac-terısticas sera automatizado al utilizar una red neuronalconvolucional (CNN) la cual aprende los mapas de carac-terısticas necesarios para codificar la senal original en unvector de caracterısticas que luego servira para realizar laclasificacion. Se propone utilizar como entrada a la CNN elespectrograma de la senal que nos da informacion tanto delas frecuencias presentes en la senal como el tiempo en elque sucedieron.

2. Trabajo relacionado

El trabajo relacionado con la deteccion de fallas uti-lizando senales de vibracion es presentado en esta seccion.En [3] extraen caracterısticas estadısticas de la senal devibraciones obtenida en un punto de una herramienta decorte, luego estas caracterısticas son la entrada de un arbolde decision generado con el algoritmo J48 utilizado paraclasificar las senales en tres categorıas diferentes de fallao condicion normal. En el trabajo concluyen que el algo-ritmo J48 es practico y puede ser utilizado para monitorearla condicion de herramientas de corte HSS. Otro trabajorelacionado es [5], donde se extraen caracterısticas a partirde histogramas de frecuencia obtenidos de senales de vi-braciones producidas por un escariador en una fresadora,posteriormente un arbol de decision es utilizado para selec-

1

cionar las caracterısticas mas descriptivas para el problema,finalmente un k-star es utilizado como clasificador. En estetrabajo, concluyeron que las caracterısticas obtenidas a par-tir de histogramas de frecuencia sirven para capturar difer-entes patrones de vibracion y el algoritmo k-star es unatecnica efectiva para detectar fallas en la herramienta du-rante el proceso de fresado.

Por otra parte, investigacion en la clasificacion de fal-las en rodamientos de bolas ha sido repetidamente publi-cada debido a su importancia para prevenir el paro de lamaquinaria industrial. En el trabajo de [7], se obtienen car-acterısticas de la senal de acelerometros a partir del espec-tro de potencia (fft) y basadas en la entropıa de muestreo,luego las caracterısticas se toman como entrada a un modelohıbrido inteligente propuesto por los autores, que consisteen una red neuronal Fuzzy Min-Max y un Bosque Aleatoriopara clasificar las senales. Los resultados muestran la util-idad del modelo hıbrido propuesto FMM-DF para la clasi-ficacion de fallas en rodamientos. Otro trabajo relacionadoes [2], donde utilizan el metodo sensado comprimido paraobtener mediciones altamente comprimidas, luego las car-acterısticas son aprendidas por una red neuronal profundano-supervisada basada en un auto-encoder disperso. Laclasificacion es realizada basada en una regresion softmax.

3. Metodologıa propuesta3.1. STFT-CNN

Para clasificar las senales de vibraciones de los difer-entes experimentos, se propone el uso de una red neu-ronal convolucional en dos dimensiones, es decir que recibeimagenes (Matrices) como entrada. Para pasar las senalesde vibraciones que se encuentran en una dimension a unamatriz de dos dimensiones, se utilizo la transformada decorto tiempo de fourier (STFT) [8] que se encuentra ex-plicada en la seccion 3.1.1.

3.1.1 Transformada de corto tiempo de Fourier

La transformada de corto tiempo de Fourier permite trans-formar el dominio de una serie de tiempo a tiempo-frecuencia al realizar la transformada discreta de Fourier auna ventana de datos dentro de la senal e ir moviendo esaventana a lo largo del tiempo. Para empezar, la transfor-mada discreta de Fourier se define como,

X[k] =

N−1∑n=0

x(n)e−2πiN kn k = 0, ..., N − 1 (1)

Donde,

x(n) = Senal de entrada en el tiempo nk = Numero de datos presentes en la senal

La transformada discreta de Fourier entonces nos indicala amplitud X de los armonicos a diferentes frecuencias kpresentes en la senal. Para obtener la transformada de cortotiempo de Fourier es necesario aplicar la transformada disc-reta de Fourier para diferentes ventanas de puntos en lasenal. Ademas, es necesario incluir una funcion de ventanaque ponderara la amplitud de la senal a lo largo de la ven-tana, esto para evitar discontinuidades o respuestas a altasfrecuencias al recortar la senal.

X[n, k] =

L−1∑m=0

x(n+m)w(m)e−2πiN km (2)

Donde,

x(n+m) = Valor de la senal de entrada en el tiempo n+mk = Numero de datos presentes en la senal

L− 1 = Numero de datos presentes en la ventana de tiempow(m) = Valor de la funcion de ventana en el punto m

Existen diferentes tipos de funcion de ventana, desde unaventana rectangular la cual no modifica la amplitud de lasenal, hasta ventanas Hamming y ventanas ajustables. Eneste trabajo se utilizo una ventana ajustable tipo Tukey, lacual esta descrita por la siguiente ecuacion definida a trazos.

w(n) =

12

[1 + cos

(π(

2nα(N−1) − 1

))]0 ≤ n < α(N−1)

2

1 α(N−1)2 ≤ n ≤ (N − 1)(1− α

2 )

12

[1 + cos

(π(

2nα(N−1) −

2α + 1

))](N − 1)(1− α

2 ) < n ≤ (N − 1)

El parametro α indica a que porcentaje de datos dentrode la ventana se les modificara su amplitud, en la figura 1 semuestra la ventana Tukey para diferentes α.

3.1.2 Red Neuronal Convolucional

Las redes neuronales convolucionales son ampliamente uti-lizadas en diferentes ambitos, uno de sus usos mas fre-cuentes es para la vision por computador. Una red neuronalconvolucional cuenta con una capa de entrada, capas ocultasy capas completamente conectadas de salida. En las capasocultas, generalmente se tiene capas convolucionales queaprenderan los mapas de caracterısticas, capas de poolingque se encargan de reducir el tamano de la imagen para quela siguiente capa oculta tenga un mayor campo receptivo ycapas de batch-normalization las cuales aprenden la mediay desviacion de los mapas de caracterısticas de la respuesta

2

Figure 1: Amplitud de la ventana tipo Tukey para diferentesα

de una capa oculta para darle el mismo peso a todos los val-ores de la matriz. Un esquema general de una red neuronalconvolucional se puede observar en la figura 2.

Figure 2: Arquitectura general CNN

El numero de capas ocultas y la cantidad de mapas decaracterısticas por capa son variables y definen la arquitec-tura de la red, en este trabajo se utilizo una arquitecturainspirada en la red LeNet-5 dado su naturaleza ya que esutilizada para el reconocimiento de dıgitos escritos a mano,por lo tanto, el tamano de imagen es similar y en ambos ca-sos se tienen imagenes con un solo canal de entrada. Lasmodificaciones mas grandes LeNet-5 y la arquitectura uti-lizada es el tamano de la imagen de entrada y la adicionde dos capas de batch-normalization. La arquitectura prop-uesta se puede observar en la figura 3.

Figure 3: Arquitectura CNN propuesta

Para entrenar la CNN se utilizo una tarjeta de vıdeo

NVIDIA GTX 1080 TI y un procesador Intel Xeon E5-2630v3 @ 2.4 GHz x 16.

4. Experimentos

Para validar la metodologıa propuesta se utilizaron trescasos de estudio de fallas en maquinaria rotativa, dos deellos estan disponibles en linea: Base de datos IMS seccion4.1 y Base de datos Case Western University seccion 4.2y una base de datos creada en la universidad de los andesdescrita en la seccion 4.3.

4.1. Base de datos de IMS

Esta base de datos fue realizada por el Centro para Sis-temas Inteligentes en Mantenimiento (IMS) de la Universi-dad de Cincinnati. El banco de pruebas se ve ilustrado en lafigura 4 y consiste de una motor conectado a un eje medi-ante una transmision de polea, el eje se encuentra soportadopor cuatro rodamientos. En cada soporte de rodamiento seencuentran ubicados dos acelerometros y una termocuplacon el fin de monitorear la condicion del sistema y en losrodamientos 2 y 3 se aplica carga constante hasta generar lafalla en alguno de los 4 rodamientos.

Figure 4: Banco de pruebas IMS

En este banco de pruebas se realizaron tres experimen-tos diferentes, los cuales estan disponibles en [4]. En cadaexperimento, los datos de cada acelerometro fueron adquiri-dos durante 2 segundos en intervalos de tiempo constantesde 10 minutos con una frecuencia de muestreo de 20 kHz,hasta que alguno de los rodamientos presentara fallas.

Para probar las diferentes metodologıas, los datos delsegundo experimento fueron utilizados. En este, elrodamiento 3 presento una falla luego de 984 datos.Unicamente se utilizaron los datos del acelerometro ubi-cado en el rodamiento 3. Ademas, para poder tener unproblema de clasificacion, se etiqueto un subconjunto de

3

los datos como condicion nominal y otro como condicionde falla en el rodamiento. Para esto, los primeros 100 datosfueron etiquetados como condicion normal, mientras quelos ultimos 100 datos se etiquetaron como condicion defalla. Por lo tanto, aunque la falla ocurrio explıcitamenteen el dato 984, los datos anteriores contienen rastros de lafalla. El conjunto de datos final fue dividido aleatoriamenteen 80% para entrenamiento y 20% para desarrollo y prueba.En la figura 5 se muestran las senales de vibracion para lasdos categorıas presentes en la base de datos.

Las senales unidimensionales son transformadas al do-minio de tiempo-frecuencia mediante la transformada decorto tiempo de Fourier (STFT) descrita en la seccion 3.2.Para obtener los espectrogramas de esta base de datos, seutilizaron los siguientes parametros:

• 256 puntos por segmento.

• Ventana Tukey con α = 0.25.

• Superposicion de ventana de 1/8.

Las imagenes resultantes se re-dimensionaron a untamano constante de 128x128. En la figura 6, se muestraun ejemplo de imagen para cada categorıa.

Red neuronal convolucionalExactitud 100%Tiempo de clasificacion 15.38 ×10−3

Table 1: Resultados base de datos IMS.

4.2. Base de datos de Case Western Univeristy

Esta base de datos fue realizada por la UniversidadCase Western Reserve para fallas en rodamientos de bolas,disponible en [9]. El banco de pruebas se ve en la figura7 y consiste en un motor de 2 hp conectado mediante uneje a un transductor de torque, un dinamometro y su instru-mentacion. Para generar fallas controladas en un solo puntodel rodamiento que se encuentra en el soporte del eje delmotor, utilizaron maquinado por electro descarga (EDM)con diametros de falla de 7 milis, 14 milis, 21 milis, 28milis y 40 milis. Tres tipos de fallas fueron generadas, fallaen pista interna, falla en elemento rodante y falla en pistaexterna. Para cada tipo de falla y diametro de falla fueronadquiridas senales de aceleracion, mediante acelerometrosubicados en los soportes de cada extremo del motor.

Para validar la metodologıa, se utilizo el conjunto dedatos correspondiente a un diametro de falla de 21 milis.Este cuenta con una senal de aceleracion de 10 segundos delongitud por cada tipo de falla y las senales fueron adquiri-das a una frecuencia de muestreo de 12,000 Hz. Con el fin

de obtener mas de un dato por categorıa, la senal originalfue dividida mediante una ventana deslizante de 1500 pun-tos de ancho, es decir, cada senal de 10 segundos se dividioen 81 senales de 0.125 segundos, un ejemplo de la senal decada categorıa se muestra en la figura 8. Teniendo esto encuenta, nuestra base de datos cuenta con 324 datos.

Al igual que en la base de datos de IMS, las senales setransformaron al dominio de tiempo-frecuencia mediante latransformada de corto tiempo de Fourier. Luego de realizarpruebas, se definieron los siguientes parametros para el es-pectrograma:

• 50 puntos por segmento.

• Ventana Tukey con α = 0.25.

• Superposicion de ventana de 1/8.

Las imagenes resultantes de la trasformada son de26x33, en la figura 9 se muestra un ejemplo de imagen porcada categorıa presente en la base de datos.

Red neuronal convolucionalExactitud 100%Tiempo de clasificacion 1.47 ×10−3

Table 2: Resultados base de datos Case Western.

4.3. Banco de pruebas Uniandes

Para validar la metodologıa en una base de datos masgrande, se diseno un banco de pruebas que consiste en unmotor, conectado a un eje que se encuentra soportado pordos rodamientos y cuenta con un volante de inercia en la mi-tad de los apoyos como se ve en la figura 10. Para adquirirsenales de vibraciones, en cada soporte de rodamiento seencuentra ubicado un acelerometro.

Este banco de pruebas permite simular diferentestipos de fallas tıpicas en maquinaria rotativa como fallaen rodamiento, des-alineacion y des-balanceo. Losacelerometros utilizados son los Bruel y Kjaer 4396, conec-tados a un DAQ de National Instruments, los datos sonobtenidos a una frecuencia de muestreo de 20,000 Hz.

El banco de pruebas fue totalmente manufacturado y en-samblado, para garantizar la correcta alineacion entre el mo-tor y el eje en todas las direcciones, se utilizaron guıas laserpara alinear en el eje horizontal. Para el eje vertical, uncomparador de alturas fue utilizado para medir las diferen-cias de altura entre los dos ejes, galgas de espesor calibradofueron utilizadas para compensar la diferencia de alturas. Elproceso de alineacion y el ensamble final se muestra en lafigura 11.

Para la construccion de la base de datos, se tomaron dosseries de datos de cuatro minutos de longitud con una pausa

4

(a) Senal para condicion normal. (b) Senal para falla en rodamiento.

Figure 5: Senales tıpicas de la base de datos.

(a) STFT condicion normal. (b) STFT falla en rodamiento.

Figure 6: Magnitud STFT tıpica de la base de datos.

Figure 7: Banco de pruebas Case Western University

de 10 segundos por cada categorıa. Luego, se realiza unaventana deslizante para dividir la serie de datos, cada ven-tana de datos contiene datos de 20 rotaciones del motor,es decir aproximadamente 0.67 segundos de longitud. Te-niendo esto en cuenta, se tienen 714 datos por categorıa.Luego de realizar pruebas con diferentes parametros, losparametros utilizados para obtener el espectrograma medi-ante la transformada de corto tiempo de Fourier son:

• 200 puntos por segmento.

• Ventana Tukey con α = 0.25.

• Superposicion de ventana de 1/8.

Con esto se obtienen imagenes de 101x95. Se realizarondiferentes pruebas para obtener los datos de cada categorıa,las cuales se describen en las siguientes sub-secciones.

4.3.1 Falla por des-balanceo

Para poder des-balancear el montaje, el volante de inerciaesta disenado especıficamente para permitir acoplar masasa tres radios diferentes y ası poder modificar la ubicaciondel centro de masa en el plano generando un des-balanceo.Antes de des-balancear el volante de inercia fue necesariocomprobar que el montaje se encontrara balanceado, paraesto se tomaron datos de la condicion original del montaje yse observo la respuesta en frecuencia del acelerometro quese encuentra en el extremo opuesto al motor. En la figura12 se ve el espectro de frecuencia para masas de 12, 12.5,15 y 19 gramos ubicadas a 20 mm del eje de rotacion. Seobserva que para 0 gramos es decir la condicion originaldel sistema existe un armonico a 29.8 Hz que correspondeexactamente a la frecuencia de rotacion del motor, esto in-dica que si existe un des-balanceo dado por las tolerancias

5

(a) Senal condicion normal. (b) Senal falla en pista interna.

(c) Senal falla en pista externa. (d) Senal falla en elemento rodante.

Figure 8: Senales vibraciones tıpicas base de datos.

de manufactura del sistema. En la figura 12 se ve que lamasa que logro disminuir la respuesta del sistema en estearmonico fue la masa de 15 gramos ubicada a 20 mm, porlo tanto, esta sera nuestra condicion normal en la base dedatos.

Una vez el montaje estaba balanceado, se tomaron losdatos de aceleracion en la base de los rodamientos con elsistema des-balanceado. El des-balanceo fue generado ubi-cando una masa de 17.5 gramos a dos radios diferentes convalores de 4 cm y 6 cm medidos desde el eje de rotacion,con esto se obtuvieron datos de dos niveles de des-balanceodiferentes. En la figura 13 y 14 se ven las imagenes finalespara los dos niveles de des-balanceo.

4.3.2 Falla en rodamiento

El banco de pruebas utilizado cuenta con dos rodamientos,uno cerca al motor y otro al extremo opuesto. Para generarel conjunto de datos correspondiente a falla en rodamientose indujeron fallas en el rodamiento que se encuentra en elextremo opuesto al motor. La referencia del rodamiento alque se le indujeron las fallas es PFI 6204.

Con el fin de inducir fallas en los elementos del ro-damiento en un periodo de tiempo corto, se introdujo polvoceramico de alumina a la grasa interna del rodamiento, este

polvo tiene una dureza tıpica de 1500 Vickers la cual esmuy superior a la dureza del acero 100Cr6 de los rodamien-tos (58 - 65 HRC) desgantadolos con gran facilidad [1].El polvo de alumina utilizado cuenta con un tamano departıcula promedio de 64 µm. Con el polvo ceramico dentrodel rodamiento, se encendio el montaje durante 60 minutosy se reemplazo la grasa por una nueva. Las senales de vibra-ciones captadas por los acelerometros con este rodamientodesgastado fueron etiquetadas como falla en rodamiento.

Es importante notar que no se cuentan con diferentes cat-egorıas para las diferentes fallas que puede presentar un ro-damiento, en esta base de datos solo es posible detectar siel rodamiento esta danado. En la figura 15 se observa unejemplo de imagen para falla en rodamiento.

4.3.3 Falla en chaveta del volante

Otro tipo de falla posible en el montaje se encuentra en elajuste entre el volante de inercia y el eje. Este tipo de fallaes causado porque la chaveta que se encuentra acoplando elvolante de inercia y el eje pierde el ajuste, permitiendo queel volante de inercia se deslice unas pequenas centesimassobre el eje. Este tipo de falla puede generar la fracturade la chaveta dejando al volante de inercia sin un elementoque trasmita la potencia del eje o danar la geometrıa de la

6

(a) STFT condicion normal. (b) STFT falla en pista interna.

(c) STFT falla en pista externa. (d) STFT falla en elemento rodante.

Figure 9: Espectrogramas tıpicos base de datos.

Figure 10: Banco de pruebas disenado para simular fallasen maquinaria rotativa

ranura del eje por los impactos generados en las rotaciones,danandolo permanentemente.

Para inducir este tipo de falla, se manufacturo unachaveta 0.5 mm mas pequena que la ranura del eje y el ori-ficio del volante de inercia. Por lo tanto, esto simula quela chaveta perdio el ajuste y permite que el volante de in-ercia impacte con la chaveta al girar. Las senales de vibra-ciones en esta configuracion fueron etiquetadas como falla

(a) Proceso de alineacion laser. (b) Ensamble final.

Figure 11: Ensamble del banco de pruebas.

en chaveta o acople. Cabe resaltar que para este trabajono se utilizaron fallas combinadas, es decir, al momento desimular la falla en la chaveta, el montaje esta balanceado ylos rodamientos no estan desgastados. Un ejemplo de es-

7

Figure 12: Respuesta en frecuencia para diferentes masas

Figure 13: Espectrograma tıpico para des-balanceo conmasa a 4 cm

Figure 14: Espectrograma tıpico para des-balanceo conmasa a 6 cm

pectrograma obtenido a partir de las senales de vibracionespara esta categorıa se muestra en la figura 16.

Con estos cuatro tipos de falla y la condicion normal, setienen entonces 3570 datos en la base de datos construida.Para entrenar, validar y probar la CNN, aprovechando quese tienen suficientes datos, la base de datos se dividio en tressubconjuntos de datos aleatoriamente. El 60 % de los datospara el conjunto de entrenamiento, 20 % para el conjuntode prueba y 20 % para el conjunto de prueba. Los resul-tados obtenidos al entrenar la red en esta base de datos se

Figure 15: Espectrograma tıpico para falla en rodamiento

Figure 16: Espectrograma tıpico para falla en chaveta

muestran en la tabla 3.

Red neuronal convolucionalExactitud 100%Tiempo de clasificacion 1.71 ×10−3

Table 3: Resultados base de datos construida.

5. ResultadosEn la tabla 4 se muestran los resultados consolidados de

la metodologıa propuesta para tres bases de datos diferentes,en esta se puede observar que la exactitud para el conjuntode pruebas de las tres bases de datos es de 100%, esto in-dica la gran capacidad de representacion que logra la redneuronal convolucional al recibir imagenes de tiempo fre-cuencia de los datos. Ademas, al lograr clasificar correc-tamente todos los datos en todas las bases de datos se veuna tendencia clara a la utilidad de esta metodologıa en ladeteccion de fallas de maquinaria rotativa.

Por otra parte, el tiempo de clasificacion varia dependi-endo de la base de datos que se encuentra clasificando lared, esto se debe a que el tamano de imagen de entrada noes el mismo para cada base de datos ya que es un resul-

8

Red neuronal convolucional

Base de datos IMS CaseWestern

Bancode pruebas

Exactitud 100% 100% 100%Tiempo (s) 15.38 ×10−3 1.47 ×10−3 1.71 ×10−3

Table 4: Resultados base de datos construida.

tado de los parametros de la transformada de corto tiempode fourier y es dependiente de la naturaleza de la base dedatos. Cabe resaltar que entre mayor sea el tamano de laimagen de entrada mas parametros tendra la red neuronalconvolucional por lo que el tiempo de clasificacion aumen-tara. Sin embargo, el tiempo de clasificacion siempre esmenor que la longitud de la senal de entrada, permitiendoimplementaciones en tiempo real de la metodologıa.

6. ConclusionesEn este trabajo, se valido el uso de la transformada de

corto tiempo de fourier para cambiar de dominio de tiempoa tiempo frecuencia seguido por una red neuronal convolu-cional, en las tres bases de datos utilizadas la metodologıapropuesta logra clasificar correctamente todas las senales,mostrando su capacidad para detectar fallas en maquinariarotativa.

Se espera agregar mas tipos de fallas al banco de pruebasconstruido en la Universidad de los Andes, con el fin con-tinuar validando la metodologıa y desarrollando algoritmospara deteccion de fallas.

References[1] Materiales usados para los rodmientos skf. Infor-

mation retrived from, http://www.skf.com/co/products/bearings-units-housings/super-precision-bearings/principles/bearing-specifics/materials/materials-for-bearing-rings-and-rolling-elements/index.html.

[2] H. Ahmed, M. Wong, and A. Nandi. Intelligent condi-tion monitoring method for bearing faults from highly com-pressed measurements using sparse over-complete features.Mechanical Systems and Signal Processing, 99:459–477,2018.

[3] N. Gangadhar, H. Kumar, S. Narendranath, and V. Sugu-maran. Fault diagnosis of single point cutting tool throughvibration signal using decision tree algorithm. Procedia Ma-terials Science, 5:1434–1441, 2014.

[4] J. Lee, G. Qui, J. Lin, and R. Services. Ims, uni-versity of cincinnati. bearing data set, 2014. dataretrieved from Nasa Ames Prognostics Data Repos-itory, http://ti.arc.nasa.gov/project/prognostic-data-repository.

[5] C. Madhusudana, H. Kumar, and S. Narendranath. Conditionmonitoring of face milling tool using k-star algorithm andhistogram features of vibration signal. Engineering Scienceand Technology, an International Journal, 19:1543–1551,2016.

[6] J. Mathew and R. Alfredson. The condition monitoring ofrolling elementbearings using vibration analysis. J. Vibr.Acoust. Stress Reliab. Des., 106:447–453, 1984.

[7] M. Seera, M. D. Wong, and A. Nandi. Classification of ballbearing faults using a hybrid intelligent model. Applied SoftComputing, 57:427–435, 2017.

[8] D. Stranneby and W. Walker. Digital Signal Processing andApplications., volume 2nd ed. Newnes, 2004.

[9] C. W. R. University. Bearing data cen-ter. data retrieved from Nasa Ames Prognos-tics Data Repository, https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website.

[10] Y. Zhan and C. K. Mechefske. Robust detection of gear-box deterioration using compromised autoregressive model-ing and kolmogorov–smirnov test statistic. Mechanical Sys-tems and Signal Processing, 21(5), 2007.

9