Automated fault detection using deep belief networks for the quality inspection of electromotors.

Vibration inspection of electro-mechanical components and systems is an important tool for automated reliable online as well as post-process production quality assurance. Considering that bad electromotor samples are very rare in the production line, we propose a novel automated fault detection method named ' Tilear', based on Deep Belief Networks (DBNs) training only with good electromotor samples. Tilear consctructs an auto-encoder with DBNs, aiming to reconstruct the inputs as closely as possible. Tilear is structured in two parts: training and decision-making. During training, Tilear is trained only with informative features extracted from preprocessed vibration signals of good electromotors, which enables the trained Tilear only to know how to reconstruct good electromotor vibration signal features. In the decision-making part, comparing the recorded signal from test electromotor and the Tilear reconstructed signal, allows to measure how well a recording from a test electromotor matches the Tilear model learned from good electromotors. A reliable decision can be made. [ABSTRACT FROM AUTHOR]

Die Analyse von Vibrationssignalen zur Fehelerdetektion elektromechanischer Komponenten und Systeme stellt ein wichtiges Werkzeug in zuverlässiger und automatischer Qualitätssicherung des Produktionsprozesses dar. Davon ausgehend, dass fehlerhafte Elektromotoren nur einen geringen Anteil einer Charge ausmachen, schlagen wir einen neuen Inspektionsansatz namens ,, Tilear' vor. Dieser Ansatz basiert auf einem Deep Belief Netzwerk (DBN), welches mit unterschiedlichen Signalmustern guter Elektromotoren trainiert wurde. Tilear generiert einen Auto-Encoder mittels DBNs mit dem Ziel, die Eingangssignale so genau wie möglich zu rekonstruieren. Tilear besteht aus zwei Teilen: (i) Training und (ii) Entscheidung. In der Trainingsphase wird Tilear nur mit Vibrationssignalen guter Motoren angelernt. Auf diese Weise kann Tilear ausschliesslich Signalmuster rekonstruieren, die sich einem guten Motor zuordnen lassen. In der nachfolgenden Entscheidungsphase wird ein aktuelles Vibrationsmuster mit der entsprechenden Rekonstruktion von Tilear verglichen. Auf diese Weise wird die Abweichung vom idealen, vorab gelernten Motorsignal quantifiziert und kann für eine Entscheidung in der Qualitätskontrolle verwendet werden. [ABSTRACT FROM AUTHOR]