Feature engineering based on ANOVA, cluster validity assessment and KNN for fault diagnosis in bearings

El numero de caracteristicas para el diagnostico de fallas en maquinaria rotativa puede ser grande debido a las diferentes senales disponibles que contienen informacion util. De un amplio conjunto de caracteristicas disponibles, algunas de ellas son mas adecuadas que otras, para clasificar adecuadamente ciertos modos de falla. El enfoque clasico para la seleccion de caracteristicas tiene como objetivo clasificar el conjunto de caracteristicas originales; sin embargo, enseleccion de caracteristicas, se ha reconocido que un conjunto de mejores caracteristicas individuales no necesariamente conduce a una buena clasificacion. Este documento propone un marco para la ingenieria de caracteristicas para identificar el conjunto de caracteristicas que pueden producir grupos de datos adecuados. Primero, el marco utiliza ANOVA combinado con la prueba de Tukey para clasificar las caracteristicas significativas individualmente; a continuacion, se realiza un analisis adicional basado en las distancias entre grupos y dentro del grupo para clasificar subconjuntos de caracteristicas significativas previamente identificadas. Nuestra contribucion tiene como objetivo descubrir el subconjunto de caracteristicas que discrimina mejor los grupos de datos asociados a varias condiciones defectuosas de los dispositivos mecanicos, para construir clasificadores de fallas multiples mas robustos. Clasificacion de gravedad de fallas enlos rodamientos se estudian para verificar el marco propuesto, con datos recopilados de un banco de pruebas en condiciones reales de velocidad y carga en el dispositivo giratorio.