Riassunto analitico
Questa tesi segue la progettazione e lo sviluppo di un approccio basato su un MIL transformer per il rilevamento di guasti in macchine industriali attraverso l'analisi delle vibrazioni. Nell'industria, la rilevazione preventiva delle anomalie è fondamentale per garantire la sicurezza e l'affidabilità delle macchine. Il progetto ha avuto inizio con l'elaborazione di file di testo contenenti dati FFT, dai quali sono stati estratti indicatori chiave: picchi di prima armonica (1x), armoniche, bande laterali (sidebands), armoniche frazionali e picchi isolati. Queste caratteristiche sono state impiegate per costruire un dataset finalizzato alla classificazione di quattro tipi di anomalie: assenza di anomalia, difetto ai cuscinetti, disallineamento angolare, disallineamento parallelo e sbilanciamento.
La tesi si articola in quattro capitoli principali. Il Capitolo 1 introduce il contesto teorico, descrivendo la raccolta dati tramite accelerometri, i principi fondamentali della Trasformata di Fourier (FFT) e le metodologie di estrazione delle caratteristiche. Inoltre, vengono illustrati i concetti fondamentali del Machine Learning, con particolare attenzione al Multiple Instance Learning (MIL) e ai modelli transformer, mettendoli a confronto con approcci classici come Random Forest e XGBoost. Il Capitolo 2 descrive le procedure di raccolta e pre-elaborazione dei dati, ponendo particolare attenzione sulla trasformazione dei dati grezzi in rappresentazioni FFT e sull'estrazione delle caratteristiche per lo sviluppo di formati "bag", contenenti sia informazioni generali che caratteristiche specifiche dei picchi.
Il Capitolo 3 illustra la progettazione e l'implementazione del MIL transformer, fornendo una spiegazione approfondita della sua architettura interna, dei meccanismi di attenzione e delle tecniche di gestione dei bag. Viene inoltre descritta nel dettaglio la procedura di addestramento, includendo l'ottimizzazione degli iperparametri mediante ricerca a griglia (grid search), il bilanciamento del dataset attraverso pesatura e data augmentation, e l'uso della Mutual Information con classificatori standard. Infine, il Capitolo 4 presenta i risultati sperimentali insieme a uno studio comparativo tra il trasformatore MIL e i classificatori tradizionali di Machine Learning, evidenziando i vantaggi dell'architettura proposta. I risultati ottenuti dimostrano la superiorità del trasformatore MIL nel rilevamento e nella classificazione delle anomalie rispetto agli approcci tradizionali. La tesi si conclude con una discussione sul valore applicativo del lavoro svolto e sulle possibili estensioni future, come l'integrazione di sensori ausiliari e l'adattamento del modello ad altri ambiti industriali.
|
Abstract
This thesis follows the design and development of a MIL transformer-based approach to industrial machine fault detection through vibration analysis. In industry, the early detection of anomalies is very important for machine safety and reliability. The project began from text file processing of FFT data from which key indicators were then extracted: 1x peaks, harmonics, sidebands, fractional harmonics, and isolated peaks. These characteristics were utilized to build a dataset that would classify five types of anomalies: no anomaly, bearing defect, angular misalignment, parallel misalignment, and imbalance.
The thesis consists of four main chapters. Chapter 1 presents the theoretical background, highlighting data collection using accelerometers, FFT basics, and feature extraction methods. In addition, the concepts of Machine Learning are explained with specific emphasis on Multiple Instance Learning (MIL) and transformer models, contrasting these also with classical approaches such as Random Forest and XGBoost. Chapter 2 outlines data collection and preprocessing procedures, with strong focus on transforming raw data into Fast Fourier Transform (FFT) representations and performing feature extraction to develop "bag" formats that contain both general information and peak-specific features.
Chapter 3 describes the MIL transformer design and implementation, with an in-depth explanation of its internal architecture, attention mechanisms, and bag management techniques. Additionally, the training procedure is explained in-depth, encompassing a grid search approach to hyperparameter optimization, dataset balancing (realized through weighting and data augmentation), and the use of Mutual Information with standard classifiers. In conclusion, Chapter 4 presents the experimental results along with the comparative study of the MIL transformer and traditional Machine Learning classifiers, pointing out the merits of the proposed architecture. The results indicate the superiority of the MIL transformer in anomaly detection and classification over traditional approaches. The dissertation ends with a description of the practical significance of the work and potential extensions, for example, adding auxiliary sensors and adaptation of the model to other industrial uses.
|
