Optimization of a nearest neighbors classifier for diagnosis of condition of rolling bearings

• Autorzy: Tabaszewski M.

Warianty tytułu

PL

Optymalizacja klasyfikatora najbliższych sąsiadów dla diagnozowania stanu łożysk tocznych

• Języki publikacji: EN

Abstrakty

EN

The paper concerns classification of technical condition state of rolling bearings. A methodology of optimization of a k-NN classifier with regard to selection of the symptom observation space has been proposed. The symptoms carrying the most information allowing identification of a class of technical condition were selected. The applied methodology enabled to develop a classifier which in the set of available data achieved the efficiency of 97.5%. In the set of considered symptoms the r.m.s. and peak values of vibration acceleration in the broad frequency band and the energy of acoustic emission pulses turned out to be the best for identification of arising fracture of a bearing outer ring.

PL

Praca dotyczy klasyfikacji stanu technicznego łożysk tocznych. Zaproponowano metodykę optymalizacji klasyfikatora k-NN ze względu na dobór symptomowej przestrzeni obserwacji. Wyłoniono symptomy, które niosą najwięcej informacji pozwalającej na identyfikację klasy stanu technicznego. Zastosowana metodyka pozwoliła opracować klasyfikator, który na zbiorze dostępnych danych osiągał efektywność rzędu 97,5%. W zbiorze rozpatrywanych symptomów najlepszymi do identyfikacji powstającego pęknięcia pierścienia zewnętrznego łożyska okazały się wartość skuteczna i szczytowa przyspieszeń drgań w szerokim pasmie częstotliwości oraz energia impulsów emisji akustycznej.

Słowa kluczowe

EN

diagnosis; rolling bearing; classification of condition

PL

diagnostyka; łożysko toczne; klasyfikacja stanu

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2014
• Tom: Vol. 15, No. 1
• Strony: 37--42
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Tabaszewski M.

• Institute of Applied Mechanics, Poznan University of Technology, ul. Jana Pawła II 24, 60-965 Poznań, fax. [phone]

Bibliografia

• [1] Materials of AS INSTRUMENT POLSKA available at http://www.asinstrument.com.pl/
• [2] S. Szymaniec, Diagnostics of motor rolling bearings in conditions their industrial operating (in polish) Maszyny Elektryczne Nr 74/2006.
• [3] Cholewa W., Kiciński J., Diagnostyka techniczna, odwrotne modele diagnostyczne, Gliwice, Wydawnictwo Politechniki Śląskiej 1997.
• [4] Schurmann J., Pattern Classification. A Unified View of Statistical and Neural Approaches, New York, Wiley 1996.
• [5] Demuth H., Beale M., Neural Network Toolbox. For Use with MATLAB, User’s Guide ver. 4, The MathWorks 2001.
• [6] Zanasi A., Brebbia C. A., Ebecken N. F. E. E, Melli P. (red.), Data Mining III, Sunthampton, Boston, WIT Press 2002.
• [7] Kornacki J., Ćwik J., Statystyczne systemy uczące się, Warszawa, WNT 2005.
• [8] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (red.), Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, Warszawa, WNT 2002.
• [9] Therrien Ch. W., Decision Estimation and Classification, New York, Wiley 1989.
• [10] Szczepaniak P., Obliczenia inteligentne, szybkie przekształcenia i klasyfikatory, Warszawa, Akademicka Oficyna Wydawnicza EXIT 2004.
• [11] Cempel C., Vibroacoustic condition monitoring, Ellis Horwood, 1991, p. 212.
• [12] Thair Nu Phyu, Survey of Classification Techniques in Data Mining, Proceedings of the International MultiConference of Engineers and Computer Scientists 2009 Vol I, IMECS 2009, March 18-20, 2009, Hong Kong.