DEVELOPMENT AND COMPARISON OF FFT CURVE GENERATION MODELS FROM TEMPERATURE–TIME IMAGES FOR LUBRICATION CLASSIFICATION IN ROLLING BEARINGS
DOI:
https://doi.org/10.61164/j87vfa28Keywords:
Fast Fourier Transform, Rolling Bearings, Lubrication, Convolutional Neural Networks, Signal ProcessingAbstract
This study presents the development and comparison of five computational model variants designed to convert temperature–time curve images into frequency-domain representations using the Fast Fourier Transform (FFT). A total of 387 images were generated from .csv files of the KAIST Bearing Run-to-Failure Dataset (2020), representing three bearing lubrication regimes (healthy, marginal, and starved). Each model variant applies specific strategies for smoothing, energy-based weighting, and spectral enhancement to produce FFT curves suitable for subsequent classification by convolutional neural networks (CNNs). The results show that the FFT-Weighted, FFT-Composite, and FFT-1D-Plus versions achieved superior performance, generating spectra with both high global stability and local spectral detail. This balance enhances class differentiation by providing consistent textural and frequency-domain patterns for convolutional learning. The findings demonstrate that applying FFT to thermal signals increases data expressiveness and represents a promising preprocessing stage for CNN-based classification of bearing lubrication regimes.
Downloads
References
ACTUATORS. The Fault Diagnosis of Rolling Bearings Based on FFT SE TCN SVM. Actuators, v. 14, n. 3, p. 152, 2025. Disponível em: https://www.mdpi.com/2076-0825/14/3/152. Acesso em: 31 out. 2025.
CARVALHO, R. M.; CARVALHO, T. J. A.; DINIZ, B. C. Development of an Image Processing Model for Bearing Lubrication Classification Using Convolutional Neural Networks. In: XI SIINTEC – International Symposium on Innovative Technologies, 2025, Salvador. Proceedings: XI SIINTEC, 2025.
COOLEY, J. W.; TUKEY, J. W. An algorithm for the machine calculation of complex Fourier series. Mathematics of Computation, v. 19, n. 90, p. 297–301, 1965.
KOREA ADVANCED INSTITUTE OF SCIENCE AND TECHNOLOGY (KAIST). Bearing Run-to-Failure Dataset. Daejeon, South Korea, 2020.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015.
OPPENHEIM, A. V.; SCHAFER, R. W. Discrete-Time Signal Processing. 3. ed. Upper Saddle River: Prentice Hall, 2010.
SENSORS. Bearing Fault Diagnosis Using Lightweight and Robust One Dimensional Convolution Neural Network in the Frequency Domain. Sensors, v. 22, n. 15, p. 5793, 2022. Disponível em: https://www.mdpi.com/1424-8220/22/15/5793. Acesso em: 31 out. 2025.
WU, X.; YANG, C.; ZHENG, H.; LI, X. Intelligent fault diagnosis of rotating machinery based on improved CNN with frequency–domain feature fusion. Sensors, v. 23, n. 8, p. 3921, 2023.
XU, M.; YU, Q.; CHEN, S.; LIN, J. Rolling Bearing Fault Diagnosis Based on CNN-LSTM with FFT and SVD. Information, v. 15, n. 7, p. 399, 2024. Disponível em: https://www.mdpi.com/2078-2489/15/7/399. Acesso em: 31 out. 2025.
ZHANG, H.; ZHOU, Y.; WANG, Z.; LI, J. Fault diagnosis of rolling bearings based on time–frequency representation and convolutional neural networks. Mechanical Systems and Signal Processing, v. 181, p. 109484, 2022.
ZHOU, J.; QIN, Y.; KOU, L.; YUWONO, M.; SU, S. Fault detection of rolling bearing based on FFT and classification. Journal of Advanced Mechanical Design, Systems, and Manufacturing, v. 9, n. 5, 2015. Disponível em: https://www.jstage.jst.go.jp/article/jamdsm/9/5/9_2015jamdsm0056/_article. Acesso em: 31 out. 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Bruno da Cunha Diniz, Ranya Mota Carvalho, Talisson de Jesus Alves Carvalho
This work is licensed under a Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.
POLÍTICA DE PRIVACIDADE
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.
