Signal segmentation for operational regimes detection of heavy duty mining mobile machines - a statistical approach

• Autorzy: Wyłomańska A. , Zimroz R.

Warianty tytułu

PL

Segmentacja sygnału w celu wykrywania stanów pracy maszyny - podejście statystyczne

• Języki publikacji: EN

Abstrakty

EN

In the paper an automatic procedure for diagnostic signals segmentation is proposed. The purpose of the procedures is to detect/identify part of the signal, that is related to stationary operation regime of machine. Detection and parameterization of such events might help to improve efficiency of machine usage, for example to minimize number of segments and their duration for machine operation under idle mode or overload mode. It is proposed to use a procedures that are based on statistical analysis to estimate the critical point of the division in a structural change in a time series. Two measures have been proposed for critical points detection: the first one is based on testing of empirical moment of order two for time subseries with length k, second one is related to analysis of second order moment moving along the signal. These techniques have been validated using simulations and then applied to real data acquired from on board monitoring system developed for mobile mining machines (loaders are considered here). Results of application are discussed in the paper.

PL

W artykule przedstawiono procedury segmentacji sygnałów drganiowych. Cel opracowanych procedur jest związany z detekcją/identyfikacją fragmentów sygnału (segmentów) które związane są z różnymi trybami pracy maszyny jak na przykład bieg jałowy czy przeciążenie. Detekcja i parametryzacja tych segmentów pozwoli poprawić efektywność pracy tj. minimalizować czas pracy na biegu jałowym czy zapobiegać przyspieszonym procesom degradacji wynikającym z nieprawidłowego użytkowania maszyny. Zaproponowano dwie procedury bazujące na statystykach, które estymują punkt dzielący szereg czasowy na podprocesy o znaczących różnicach statystycznych. Pierwsza ze statystyk bazuje na badaniu zachowania empirycznego momentu rzędu 2 danej próby w oknie o długości k, druga jest analizą kroczącego drugiego momentu z próby. W pracy przedstawiono wyniki walidacji metody na sygnałach symulacyjnych oraz wyniki zastosowania procedur do sygnałów zarejestrowanych na górniczych maszynach samojezdnych pracujących w kopalni podziemnej.

Słowa kluczowe

EN

mobile machine; automatic operational regime detection; signal processing; signal segmentation

PL

maszyna mobilna; detekcja automatyczna; detekcja trybów pracy; przetwarzanie sygnału; segmentacja sygnału

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2014
• Tom: Vol. 15, No. 2
• Strony: 33--42
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Wyłomańska A.

• Hugo Steinhaus Center, Institute of Mathematics and Computer Science, Janiszewskiego 14a, Wroclaw University of Technology, Poland

autor

Zimroz R.

• KGHM CUPRUM Ltd CBR Sikorskiego 2-8 , 53-659 Wrocław, Machinery Systems Division, Na Grobli 15, Wroclaw University of Technology, Poland

Bibliografia

• 1. A. Dyczko, et al.: Koncepcja monitoringu i transmisji danych technologicznych pracy samojezdnych maszyn górniczych w KGHM Polska Miedź S.A. Unpublished technical report prepared for KGHM PM SA (in Polish).
• 2. A. Jabłoński, T. Barszcz, M. Bielecka: Automatic validation of vibration signals in wind farm distributed monitoring systems, Measurement 44/10 (2011) 1954-1967.
• 3. W. Bartelmus, R. Zimroz: A new feature for monitoring the condition of gearboxes in nonstationary operating conditions. Mechanical Systems and Signal Processing 23/5 (2009) 1528-1534.
• 4. M. Gibiec, T. Barszcz, M. Bielecka: Selection of clustering methods for wind turbines operational data, Diagnostyka 56/4 (2010) 37-42.
• 5. T. Barszcz, A Bielecki, M Wójcik: ART-type artificial neural networks applications for classification of operational states in wind turbines, Artifical Intelligence and Soft Computing, Lecture Notes in Computer Science 6114 (2010), p. 11-18.
• 6. M.A. Timusk, M.G. Lipsett, J. McBain, C.K. Mechefske: Automated Operating Mode Classification for Online Monitoring Systems, Journal of Vibration and Acoustics, Transactions of the ASME 131/4 (2009) 0410031-04100310.
• 7. M.A. Timusk, M.G. Lipsett, C.K., Mechefske:. Automated duty cycle classification for online monitoring systems. Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, DETC2007.
• 8. P. Kępski, T. Barszcz: Validation of vibration signals for diagnostics of mining machinery Diagnostyka 64/4 (2012) 25-30.
• 9. J. Gajda, G. Sikora, A. Wyłomańska: Regime variance testing - a quantile approach, Acta Phys. Polon B 44/5 (2013) 1015-1035.
• 10. K. Burnecki, A. Wyłomańska, A. Beletskii, V. Gonchar, A. Chechkin: Recognition of stable distribution with Levy index alpha close to 2, Phys. Rev. E 85 (2012) 056711.
• 11. R. Parrisha: Evaluation of bivariate cumulative probabilities using moments to fourth order, Journal of Statistical Computation and Simulation 13/3 (1981) 181-194.
• 12. The I2Mine Website (Innovative Technologies and Concepts for the Intelligent Deep Mine of the Future), i2mine.eu/
• 13. R. Zimroz, J. Wodecki, R. Król, M. Andrzejewski, P. Sliwinski, P. Stefaniak,: Selfpropelled Mining Machine Monitoring System - Data Validation, Processing and Analysis Proceedings of Mine Planning and Equipment Selection (2014) 1285-1294.