PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Gearbox faults identification using vibration signal analysis and artificial intelligence methods

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Identyfikacja uszkodzeń skrzyni biegów za pomocą analizy sygnału drgań oraz metod sztucznej inteligencji
Języki publikacji
EN
Abstrakty
EN
The paper addresses the implementation of feature based artificial neural networks and vibration analysis for the purpose of automated gearbox faults identification. Experimental work has been conducted on a specially designed test rig and the obtained results are validated on a belt conveyor gearbox from a mine strip bucket wheel excavator SRs 1300. Frequency and time domain vibration features are used as inputs to fault classifiers. A complete set of proposed vibration features are used as inputs for selforganized feature maps and based on the results a reduced set of vibration features are used as inputs for supervised artificial neural networks. Two typical gear failures were tested: worn gears and missing teeth. The achieved results show that proposed set of vibration features enables reliable identification of developing faults in power transmission systems with toothed gears.
PL
Artykuł omawia zastosowanie sztucznych sieci neuronowych opartych na cechach oraz analizy drgań do celów automatycznej identyfikacji uszkodzeń skrzyni biegów. Prace eksperymentalne przeprowadzono na specjalnie zaprojektowanym stanowisku badawczym, a uzyskane wyniki zweryfikowano na przykładzie przekładni przenośnika taśmowego koparki wielonaczyniowej SRs 1300 wykorzystywanej w kopalni odkrywkowej. Cechy drgań w dziedzinie czasu i częstotliwości są wykorzystywane jako wejścia klasyfikatorów uszkodzeń. Kompletny zbiór proponowanych cech drgań wykorzystano jako wejścia samoorganizujących się map cech, a na podstawie wyników opracowano zredukowany zbiór cech drgań, które wykorzystano jako wejścia do nadzorowanych sztucznych sieci neuronowych. Zbadano dwa typowe uszkodzenia przekładni : zużycie przekładni oraz brakujące zęby przekładni. Uzyskane wyniki wskazują, że proponowany zbiór cech drgań umożliwia niezawodną identyfikację rozwijających się uszkodzeń w układach przenoszenia napędu z kołami zębatymi.
Rocznik
Strony
61--65
Opis fizyczny
Bibliogr. 25 poz.
Twórcy
autor
  • Faculty of Technical Sciences, University of Novi Sad, Trg Dositeja Obradovica 6, Serbia
autor
  • Public Enterprise Elektroprivreda BIH Coal Mine Kreka, Mije Keroševica 1, Tuzla, Bosnia and Herzegovina
autor
  • Faculty of Technical Sciences University of Novi Sad Trg Dositeja Obradovica 6, Serbia
Bibliografia
  • 1. Baillie D, Mathew J, Diagnosing Rolling Element Bearing Faults with Artificial Neural Networks. Acoustics Australia 1994; 22(3); 79–84.
  • 2. Bartelmus W, Zimroz R, Batra H, Gearbox vibration signal pre-processing and input values choice for neural network training. Conference proceedings - AI-METH 2003 Artificial Intelligence Methods, Gliwice Poland; 2003; 21–14.
  • 3. Bartelmus W, Zimroz R, Application of self-organised network for supporting condition evaluation of gearboxes. Conference proceedings - Methods of Artificial Intelligence AI-METH Series, Gliwice Poland; 2004; 17–20.
  • 4. Bartelmus W, Zimroz R, A new feature for monitoring the condition of gearboxes in nonstationary operating conditions. Mechanical Systems and Signal Processing 2009; 23: 1528–1534.
  • 5. Bartelmus W, Zimroz R. Vibration condition monitoring of planetary gearbox under varying external load. Mechanical Systems and Signal Processing 2009; 23: 246–259.
  • 6. Bishop C. Neural Networks for Pattern Recognition. Oxford University Press 1995.
  • 7. Czech P, Łazarz B, Wilk A. Application of neural networks for detection of gearbox faults. WCEAM CM 2007. Harrogate, United Kingdom, 2007.
  • 8. Guanglan L , Tielin S, Weihua L, Tao H, Feature Selection and Classification of Gear Faults Using SOM. Advances in Neural Networks – ISNN 2005, Springer Berlin / Heidelberg; 2005: 556–560.
  • 9. Hoon S, Worden K, Farrar C, Novelty Detection under Changing Environmental Conditions, LA-UR-01-1894. SPIE’s 8th Annual International Symposium on Smart Structures and Materials, Newport Beach, CA; 2001.
  • 10. Jyh-Shing R.J, Chuen-Tsai S, Mizutani E, Neuro-fuzzy and soft computing : a computational approach to learning and machine intelligence. MATLAB curriculum series. Prentice Hall, 1997.
  • 11. Kohonen T. Self-Organizing Maps. Springer, Berlin, 1995.
  • 12. Lazarz B, Wojnar G, Czech P. Early fault detection of toothed gear in exploitation conditions. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2011; 1(49): 68-77.
  • 13. Licen H et all. Continuous remote monitoring of vital parameters of mobile machinery relevant for their operating condition as a part of their total reliability and predictive maintenance. Project 14037 financed by the Serbian Ministry of Science and Technological Development of Republic of Serbia, 2008-2010.
  • 14. Rafiee J, Arvani F, Harifi A, Sadeghi MH. Intelligent condition monitoring of a gearbox using artificial neural network. Mechanical Systems and Signal Processing 2007; 21(4): 1749–1754.
  • 15. Randall RB. A new method of modeling gear faults. ASME J. Mech. Design 1982; 104: 259–267.
  • 16. Sadeghi MH, Rafiee J, Arvani F, Harifi A. A Fault Detection and Identification System for Gearboxes using Neural Networks. Neural Networks and Brain, ICNN&B ’05. International Conference. 2005.
  • 17. Sick B. Review On-Line And Indirect Tool Wear Monitoring In Turning With Artificial Neural Networks: A Review Of More Than A Decade Of Research, Mechanical Systems and Signal Processing 2002; 16(4): 487–546.
  • 18. Stewart RM. Some Useful Data Analysis Techniques for Gearbox Diagnostics, Institute of Sound and Vibration Research, Southampton University, Southampton, 1977.
  • 19. Staszewski WJ, Worden K. Classification of faults in gearboxes – pre-processing algorithms and neural networks, Neural Computing and Applications 1997; 5: 160–183.
  • 20. Veelenturf LPJ. Analysis and Applications of Artificial Neural Networks, Prentice Hall, 1995.
  • 21. Worden K, Sohn H, Farrar CR. Novelty Detection in a Changing Environment: Regression and Interpolation Approaches, Journal of Sound and Vibration 2002; 258 (4); 741–761.
  • 22. Zhong B. Developments in intelligent condition monitoring and diagnostics, System Integrity and Maintenance, 2nd Asia-Pacific Conference(ACSIM2000) Brisbane Australia; 2000; 1–6.
  • 23. Zuber N. Automation of rotating machinery failures by the means of vibration analysis. PhD Thesis, Faculty of Technical Sciences – University of Novi Sad, 2012.
  • 24. Zuber N, Ličen H, Bajrić R. An innovative approach to the condition monitoring of excavators in open pits mines, Technics technologies education management-TTEM 2010; 5(3): 841–847.
  • 25. SOM Toolbox for Matlab, laboratory for information and computer science, University of Helsinki, http://www.cis.hut.fi/projects/somtoolbox
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-3a18f48f-a9d6-4d72-9448-4ec3984d4c38
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.