Doctoral Thesis

Data-driven fault diagnosis method for gearbox components

Final Thesis 14.94 MB Summary of Thesis 5.17 MB Final thesis revised after the defense 14.91 MB

Author of thesis: Ing. Jakub Rekem, Ph.D.

Acad. year: 2025/2026

Supervisor: prof. Ing. Josef Štětina, Ph.D.

Reviewers: Ing. Radim Hercík, Ph.D., doc. Ing. Petr Koňas, Ph.D.

Abstract:

Machine learning and deep learning algorithms for bearing and gear fault detection proved strong expressive power in a laboratory environment, but their transfer to the real world is still a subject of research. This work reviews state-of-the-art methods for automatic fault diagnosis of gearbox components. It was found that incorporating the existing physics-based knowledge of gearbox dynamics could improve the robustness and accuracy of data-driven diagnostic methods and enable their use in real-world applications, for example, in onboard vehicle diagnostic systems. The work elaborates on the situation where it is difficult to obtain labelled experimental fault data, and the learning algorithm training employs physics-based simulations. Multi-body models capable of simulating local bearing faults and gear tooth faults were assembled. The vibration signal is preprocessed with envelope analysis and fed to a domain adaptive neural network that uses one-dimensional convolution for feature extraction and a recurrent cell to capture the spatial relationship between the features. Domain adaptation was found to be a key element for successful simulation data-aided bearing and gear fault diagnosis.

Keywords:

fault diagnosis, bearings, gears, gearboxes, machine learning, deep learning

Date of defence

05.03.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaPznamka

Process of defence

Práce představila využití tzv. multibody modelu jako zdroje pro tvorbu učící databáze pro neuronové sítě. Využitá metodika umožňuje identifikovat poruchy ložiska nebo ozubených kol. Hlavním přínosem práce je vhodná kombinace aktuálních poznatků a formulace vhodného přístupu.

Language of thesis

English

Faculty

Fakulta strojního inženýrství

Department

Institute of Automotive Engineering

Study programme

Design and Process Engineering (D-KPI-P)

Composition of Committee

prof. Ing. Pavel Novotný, Ph.D. (předseda)
prof. Dr. Ing. René Pyszko (člen)
prof. Ing. Václav Píštěk, DrSc. (člen)
doc. Ing. Petr Koňas, Ph.D. (člen)
Ing. Radim Hercík, Ph.D. (člen)
Ing. Jaroslav Stružka (člen)

Supervisor’s report
prof. Ing. Josef Štětina, Ph.D.

viz. posudek v PDF
File inserted by supervisor Size
Posudek vedoucího práce [.pdf] 43,45 kB

Reviewer’s report
Ing. Radim Hercík, Ph.D.

viz. posudek v PDF
File inserted by the reviewer Size
Posudek oponenta [.pdf] 306,35 kB

Reviewer’s report
doc. Ing. Petr Koňas, Ph.D.

Předložená disertační práce se zabývá automatickou diagnostikou poruch komponent převodovek pomocí hlubokého učení s využitím fyzikálně inspirovaných simulací a doménové adaptace. Téma je vysoce aktuální (Industry 4.0, prediktivní údržba) a autor prokazuje mimořádnou interdisciplinární šíři (mechanika ložisek/ozubení, MBS/FEM, zpracování signálů, DL). Práce výrazně převyšuje běžný standard.

FORMÁLNÍ NÁLEŽITOSTI

Formální požadavky jsou splněny: práce v AJ, abstrakt i klíčová slova v AJ a SK, citace dle ČSN ISO 690, prohlášení o autorství, seznam literatury (128 referencí), formát PDF.

CÍLE, METODIKA, VÝSLEDKY

Cíle byly plně dosaženy: (1) multi-body model ložiska s validovanými tuhostními vlastnostmi (kap. 6) a model převodovky s FEM-vypočtenou tuhostí záběru (kap. 7); (2) návrh a srovnání VGG16-based 2D CNN, 1D CNN-LSTM a DANN; (3) definovaný workflow využití simulací (Obr. 24, kap. 9). Autor koriguje častý metodologický problém v literatuře: nevhodné dělení datasetu CWRU, které vede k nadhodnocení (při korektním dělení může přesnost klesnout z ~95 % na ~45 %). Klíčové výsledky: u diagnostiky ložisek doménová adaptace zvýšila průměrnou přesnost z 59 % na 91 %, u poruch ozubení bylo dosaženo 92,7 % na testovací sadě.

ORIGINALITA A PŘÍNOS

Technicky: model ložiska reprodukuje tuhost bez detailní CAD geometrie (oscilace) a do MBS ozubení integruje FEM-odvozenou tuhost záběru; doménová randomizace pracuje s 5 nezávislými parametry. Metodologicky: obálkové předzpracování cílené pro 1D CNN-LSTM a přenos DANN z počítačového vidění do diagnostiky mechanických poruch se simulačními daty. Vědecky: kvantifikace doménového posunu, doložení nezbytnosti doménové adaptace a zjištění vyšší transferability simulovaných poruch vnějšího kroužku ložiska oproti vnitřnímu kroužku či valivým elementům; poruchy kuliček byly pro atypické symptomy v CWRU z hodnocení vyřazeny.

VYUŽITELNOST, PUBLIKACE, FORMA

Výsledky jsou využitelné pro digitální dvojčata a „what-if“ analýzy, generování tréninkových dat i palubní diagnostiku; workflow je přenositelné i na další rotační stroje. Publikační činnost je solidní (2 časopisecké články, 4 konferenční příspěvky); hlavní disertační výsledky pokrývají zejména [A1] a [A4], klíčový příspěvek doménové adaptace pro převodovku dosud není v cíleném peer-reviewed časopise. Formální úprava je profesionální a jazyková úroveň akademické AJ nadstandardní.

Teze

H1 je přijata (simulovatelné poruchy ložisek i ozubení po adaptaci zvyšují přesnost; 59→91 % a 92,7 %). H2 je podmíněně přijata: v semi-supervised režimu s neoznačenými experimentálními daty všech tříd DANN doménový rozdíl modeluje, avšak bez experimentálních poruchových dat výkon klesá (plně unsupervised adaptace zůstává otevřenou výzvou). Přiložené teze jsou po formální i obsahové stránce naplněny.

SILNÉ STRÁNKY A OMEZENÍ

Silné stránky: rigorózní metodika, hluboká integrace MBS+FEM+DL, validace ložiskového modelu, prokazatelný přínos doménové adaptace a kritická korekce praxe kolem CWRU/overfittingu. Omezení: omezená experimentální validace simulací ozubení a chybějící širší metriky shody sim-exp; nestabilita tréninku DANN (71–96 %, variance až ~20 %); ověření zatím na jedné konfiguraci – vhodné je rozšíření na další typy převodovek (např. planetové).

ZÁVĚR A DOPORUČENÍ

Práci doporučuji k obhajobě; navržená známka: VÝBORNĚ (A). Po úspěšné obhajobě doporučuji udělit titul Ph.D. autorovi Ing. Jakubu Rekemovi  Topics for thesis defence:
  1. Váš model produkuje kvalitativně správné frekvence, ale předchozí práce [93] hlásila 500× amplitudový nesoulad. Zkoumali jste fyzikální zdroje amplitudového nesouladu mezi Adams simulacemi a CWRU měřeními? Co by bylo potřeba k dosažení kvantitativní shody amplitud?
  2. Závěry zmiňují "palubní vozidlové diagnostické systémy". Jaká je výpočetní složitost vašeho inference pipeline? Může běžet v reálném čase na embedded hardware (např. automobilový ECU)? Profilovali jste latenci a požadavky na paměť?
  3. DANN výsledky ukazují variaci přesnosti testovací sady 71-96% napříč epochami trénování. V produkčním nasazení, jak byste zvládli tuto variabilitu? Jaké stop-kritérium byste navrhli namísto přesnosti validační sady?

Grade proposed by reviewer: A

Responsibility: Mgr. et Mgr. Hana Odstrčilová