BazTech - Yadda

Ograniczanie wyników

2 Diagnostyka

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Application of morphological analysis for gear fault detection and trending

Gryllias K., Yiakopoulos C., Antoniadis I.

Diagnostyka

2008

nr 4(48)

37-42

Frequency domain based signal processing methods such as cepstrum analysis, Hilbert Transform based demodulation, cyclostationary analysis, etc have been shown to present a quite effective behaviour in the detection of defects, when applied to the analysis of vibration signals, resulting from gear pairs with one or more defective gears. However, these methods typically require some complex and sophisticated analysis, which renders their application cumbersome for applications requiring unskilled personnel or automated fault detection and trending. Alternatively to these methods, morphological analysis for processing vibration signals has been proposed, addressing the issues of how to quantify the shape and the size of the signals directly in the time domain. Morphological analysis and the resulting morphological index is applied in this paper to a set of twelve successive vibration measurements resulting from a gearbox prior to tooth breakage. As shown, the morphological index is able monitor the evolution of the potential fault, providing a clear warning prior to the breakage of the tooth.

Application of some advanced signal processing techniques for rolling element bearing fault detection

Yiakopoulos C., Antoniadis I.

Diagnostyka

2005

Vol. 36

33--38

Vibration response of rotating machines is typically mixed and corrupted by a variety of interfering sources and noise, leading to the necessity for the isolation of the useful signal components. A relevant frequently encountered industrial case is the need for the separation of the vibration responses of the same type of bearings inside the same machine. For this purpose, a Blind Source Separation procedure is applied, based on the maximization of the information transferred in a neural network structure. As has been proven, this approach is quite effective in separating signals with super-Gaussian distributions, as it is the case of the vibration response of defective rolling element bearings. The role of the non-linear sigmoid function used in the neural network of the method is discussed and the Kullback-Leibler information divergence is considered as a tool to adapt this non-linearity to the bearing distributions considered. The effectiveness of the method is demonstrated in an experimental application, where a class of optimum non-linear functions is compared to the classical logistic function.

Sygnał drganiowy maszyn wirujących jest zazwyczaj zakłócony przez interferujące z nim sygnały innych źródeł oraz zakłócenia, co prowadzi do potrzeby ekstrachowania użytecznych składowych takiego sygnału. Często spotykanym w praktyce przemysłowej przypadkiem jest potrzeba separacji sygnałów drganiowych pochodzących od łożysk tego samego typu znajdujących się w tej samej maszynie. Do tego celu zastosowano procedurę ślepej separacji sygnałów wykorzystującą maksymalizację informacji przenoszonej przez strukturę sieci neuronowej. Zostało udowodnione, że w przypadku analizy sygnału wibroakustycznego generowanego przez uszkodzony element łożyska tocznego, takie podejście do separacji sygnałów może być efektywne przy założeniu ich super-gaussowskiego rozkładu. Rozważono możliwość adaptacji nieliniowej funkcji sigmoidalnej i dywergencji informacji Kullback-Leibler'a jako narzędzi wykrywania nieliniowości w sygnałach. W celu dostosowania nieliniowości do rozkładów sygnałów łożysk wykorzystywano nieliniową funkcję sigmoidalną oraz rozbieżność informacji Kullback-Leibler'a. Efektywność przedstawionej metody została zaprezentowana na przykładzie, w którym klasa optymalnych nieliniowych funkcji jest porównywana z klasycznymi funkcją logistyczną.