Techniques for signal reconstruction from sparsely compressed vibration measurements

Abstract

Verden er i stadig digitalisering og vi lener oss mer og mer på teknologi for å fortsette utviklingen av omverdenen. En stor del av dette innebærer å samle informasjon. Ettersom trådløse sensorer blir mindre plasseres de flere steder. Informasjonen de samler brukes til alt fra å monitorere menneskers helse til å forutse feil i industrielt utstyr.

I denne oppgaven diskuteres kompresjons- og rekonstruksjons-metoder i kontekst av å predikere feil på kulelager. Vibrasjonsmålinger i form av 1 sekund lange sekvenser med tidsserie blir brukt til å teste 4 forskjellige metoder. Ønsket er å holde informasjonen som sendes til et minimum og holde prossesringen på en sensor lav. Den første metoden brukes av Disruptive Technologies (DT) i en prototype. De taster i 1 sekund med en tastetid på 1100Hz før de fem frekvensene med størst magnitude blir valgt og sendt. Dette sammenliknes med tre andre metoder; autoenkodernettverk, dekodernettverk og komprimert sansing.

Autoenkoderen og dekoderen er begge testet med tre forskjellige arkitekturer som hver endrer dybden og kompresjonen de oppnår. Ingen av akitekturene oppnår resultater som kan brukes til predikering i noen av de to metodene. Det er vanskelig å peke på en grunn til dette da spesielt autoenkodere har vist gode resultater i flere publikasjoner.

Komprimert sansing går ut på å taste et signal tilfeldig, altså med varierende tasteperiode, for så å rekonstruere signalet med konveks optimalisering. To løsere ble testet; Embedded Conic Solver (ECOS) og Orthant-Wise Limited-memory Quasi-Newton (OWL-QN). ECOS viste seg å være for treg til å brukes med så store datamengder. Noen få sekvenser ble testet før den ble vurdert som ubrukelig. OWL-QN ble så testet og gav gode resultater. De rekonstruerte signalene med taste størrelserstørre enn 10% har en spektral omhylling som viser sterke likheter med det opprinnelige signalets spektrale omhylling. Det gjør komprimert sansing mulig å bruke i mer avanserte predikasjonsalgoritmer. En enkel måte å predikere feil på er å forutse RMS på fremtidige sekvenser. Testene viser at en tastestørrelse på bare 1% gir en RMS-kurve som utvikler seg likt med det opprinnelige signalets RMS-kurve. Det ser derfor ut til at denne predikasjonsmetoden er effektiv med tastestørrelse helt ned i 1%.

Hvorfor komprimert sansing fungerer så mye bedre enn de andre metodene er ikke utforsket i denne oppgaven. Noen betraktninger bør allikevel gis. For å predikere noe må man ha nok av den riktige informasjonen tilstedet. DT sin metode gir, etter alt å dømme, for lite informasjon. Autoenkoderen og dekoderen prøver å rekonstruere utifra dataene de er gitt, det kan se ut som metodene ikke bringer mer informasjon til bordet og da blir det for lite å basere predikasjoner på. Det er her man kan spekulere i om forskjellene ligger. Komprimert sansing prøver å optimalisere seg frem til mer informasjon, informasjon som matcher det den alt er gitt. Hvis rekonstruksjonen stemmer bedre overens med det opprinnelige signalet vil, ikke overaskende, en tilsvarende prediksjon også være mulig.

As the world advances, measuring our surroundings becomes increasingly important. As the wireless sensors become smaller, they are utilized more places. The information has a wide range of uses, from monitoring the health of a population to predicting failures in machinery. This thesis explores how to efficiently capture and reconstruct data from wireless Internet-of-Things (IoT)-sensors. Lowering the transmitted data size will increase the longevity of the sensor itself whilst still providing accurate measurements.

The context of the compression is maintenance prediction on bearings using vibration sensors from Disruptive Technologies (DT). Time-series from vibration measurements are used to test multiple techniques for compression and reconstruction. Currently, DT samples a signal and only selects the 5 frequencies of the highest magnitude to be transmitted. Their method was recreated and compared to three other methods; autoencoders, decoder networks, and compressed sensing. Multiple different configurations were tested for each method. Autoencoders are trained to find some small set of latent features in the data, then reconstruct the original signal from this set of features. The results from this were not adequate for any predictions. Decoder networks were tested with a random subset of samples as input to recreate the whole signal. This also showed underwhelming results.

Two solvers were tested for compressed sensing; Embedded Conic Solver (ECOS) and Orthant-Wise Limited-memory Quasi-Newton (OWL-QN). ECOS was deemed too slow to be viable, but OWL-QN showed good results. Both prediction algorithms discussed might be able to predict with the recreated signals when the sample size is between 10% and 50% of the whole sequence. The RMS over time is surprisingly accurate for a sample size as low as 1%.