Diagnosing the technical condition of planetary gearbox using the artificial neural network based on analysis of non-stationary signals

• Autorzy: Popiołek K. , Pawlik P.

Warianty tytułu

PL

Diagnozowanie stanu technicznego przekładni planetarnej z wykorzystaniem sztucznej sieci neuronowej opartej na metodach analizy sygnałów niestacjonarnych

• Języki publikacji: EN

Abstrakty

EN

This paper deals with the problem of diagnosing the technical condition of a planetary gearbox operating at variable load. The severity of the subject and related difficulties were discussed. Theoretical basis of analysis of non-stationary signals (order analysis) and its use in signal resampling was also presented. The paper tests the functionality of the planetary gearbox diagnostics method. The Multilayer Perceptron Network was used to identify and classify the damage. The network’s learning vectors were built on the basis of order analysis results and measurements of the planetary gearbox load. The functionality of two-layer and three-layer unidirectional artificial neural network was also analysed for potential use in diagnosing the technical condition of planetary gears.

PL

Praca podejmuje tematykę diagnostyki stanu technicznego przekładni planetarnej pracującej przy zmiennych warunkach obciążenia. Omówiono w niej istotność podjętego tematu i trudności z nim związane. Przedstawiono również teoretyczne podstawy metody analizy sygnałów niestacjonarnych - analizy rzędów oraz jej zastosowanie przy użyciu metody przepróbkowania sygnału. W artykule zbadano funkcjonalność metody diagnozowania stanu technicznego przekładni planetarnej. Do identyfikacji oraz klasyfikacji uszkodzeń wykorzystano wielowarstwową sieć perceptronową. Wektory uczące sieci zbudowano na podstawie wyników analizy rzędów oraz pomiarze obciążenia przekładni. Przeprowadzono również analizę funkcjonalności sztucznej sieci neuronowej o architekturze dwuwarstwowej oraz trójwarstwowej jednokierunkowej, pod kątem wykorzystania do diagnozowania stanu technicznegoprzekładni planetarnej.

Słowa kluczowe

EN

vibroacoustic diagnostics; order analysis; neural network; planetary gearbox

PL

diagnostyka wibroakustyczna; analiza rzędów; sieć neuronowa; przekładnia planetarna

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2016
• Tom: Vol. 17, No. 2
• Strony: 57--64
• Opis fizyczny: Bibliogr. 19 poz., rys., tab., wykr.

Twórcy

autor

Popiołek K.

• AGH University of Science and Technology, Faculty of Mechanical Engineering and Robotics, Department of Mechanics and Vibroacoustics, al. A. Mickiewicza 30, 30-059 Kraków, Poland

autor

Pawlik P.

• AGH University of Science and Technology, Faculty of Mechanical Engineering and Robotics, Department of Mechanics and Vibroacoustics, al. A. Mickiewicza 30, 30-059 Kraków, Poland

Bibliografia

• [1] Yesilyurt I. The application of the conditional moments analysis to gearbox fault detection – a comparative study using the spectrogram and scalogram. NDT&E International 37 (2004) 309–320.
• [2] Yang Z, Hoi W I, Zhong J. Gearbox Fault Diagnosis based on Artificial Neural Network and Genetic. Algorithms Proceedings of 2011 International Conference on System Science and Engineering, Macau, China – 2011.
• [3] Tomaszewski J. Diagnostyka stanu technicznego przekładni zębatych ogólnego przeznaczenia, [Diagnostics of Technical Condition of General Use Gear Trains] Maszyny Górnicze 4/2007.
• [4] Bartelmus W. Vibration diagnostic method for planetary gearboxes under varying external load with regard to cyclostationary analysis. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2009.
• [5] Zimroz R. Modelowanie sygnałów drganiowych generowanych przez przekładnie planetarne w warunkach zmiennego obciążenia [Modelling of Vibration Signals Generated by Planetary Gearboxes under Variable Load] Diagnostyka’3 (39)/2006.
• [6] Cioch W, Knapik O, Leśkow J. Finding a frequency signature for a cyclostationary signal with applications to wheel bearing diagnostics. Mechanical Systems and Signal Processing; 2013. vol. 38 nr 1 spec. iss.: Condition monitoring of machines in non–stationary operations, s. 55–64.
• [7] Rafiee J, Arvani F, Harifi A, Sadeghi M H. Intelligent condition monitoring of a gearbox using artificial neural network. Mechanical Systems and Signal Processing, vol. 21, no. 4, pp. 1746–1754, 2007.
• [8] Cocconcelli M, Rubini R, Zimroz R, Bartlemus W. Diagnostics of ball bearings in varying-speed motors by means of artificial neural network. Proceedings of the 8th International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, pp. 760–771, Cardiff, UK, June 2011.
• [9] Samanta B, Al-Balushi K R. Artificial neural network based fault diagnostics of rolling element bearings using time domain features. Mechanical Systems and Signal Processing, vol. 17, no. 2, pp. 317–328, 2003.
• [10] Sarma D V S S, Kalyani G N S. ANN approach for condition monitoring of power transformers using DGA. Proceedings of the IEEE Region 10 Conference (TENCON ’04), vol. 3, pp. 444–447, IEEE, November 2004.
• [11] Azadeh A, Saberi M, Kazem A, Ebrahimipour V, Nourmohammadzadeh A, Saberi Z. A flexible algorithm for fault diagnosis in a centrifugal pump with corrupted data and noise based on ANN and support vector machine with hyper parameters optimization. Applied Soft Computing Journal, vol. 13, no. 3, pp. 1478–1485, 2013.
• [12] Straczkiewicz M, Barszcz T. Application of Artificial Neural Network for Damage Detection in Planetary Gearbox of Wind Turbine. Article in Shock and Vibration 2016(4):1-12, 2016.
• [13] Bartelmus W, Zimroz R, A new feature for monitoring the condition of gearboxes in nonstationary operating conditions. Mechanical Systems and Signal Processing, vol. 23, no. 5, pp. 1528–1534, 2009.
• [14] Lei Y, Lin J, Zuo M J, He Z. Condition monitoring and fault diagnosis of planetary gearboxes: a review, Measurement, vol. 48, no. 1, pp. 292–305, 2014.
• [15] National Instrument, LabVIEW Order Analysis Toolkit User Manual, 2005.
• [16] Cempel C. Diagnostyka Wibroakustyczna Maszyn [Vibroacoustic Diagnostics of Machines], Warszawa 1989 PWN.
• [17] Lees A W. Misalignment in rigidly coupled rotors, Journal of Sound and Vibration 305 (2007) 261 – 271.
• [18] Tan P, Steinbach M, Kumar V. Introduction to Data Mining. chapter 8, Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA 2005.
• [19] Beale M H, Hagan M T, Demuth H B. Neural Network Toolbox™. User's Guide R2015a, 2015.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.