Analiza porównawcza wybranych klasyfikatorów w diagnozowaniu uszkodzeń przekładni zębatych

• Autorzy: Piekoszewski J.

Warianty tytułu

EN

A comparison of selected classifiers in gear fault diagnosis

• Języki publikacji: PL

Abstrakty

PL

Niewielkie uszkodzenie przekładni zębatej może prowadzić do poważnej awarii urządzenia. Zatem, bardzo ważnym jest wykrycie takich defektów na ich początkowym etapie powstawania aby zapobiec dalszym uszkodzeniom. Praca przedstawia kilka wybranych teoretycznych narzędzi z obszaru sztucznej inteligencji zastosowanych do rozwiązania problemu diagnozowania uszkodzeń przekładni zębatych. Rozważanymi narzędziami są: perceptron wielowarstwowy, sieć neuronowa o radialnych funkcjach bazowych, drzewo decyzyjne, sieć bayesowska, maszyna wektorów podpierających oraz algorytm k najbliższych sąsiadów. Rezultaty wszystkich eksperymentów zostały otrzymane z wykorzystaniem rzeczywistych danych oraz aplikacji WEKA (ang. Waikato Environment for Knowledge Analysis) dostępnej na stronach Uniwersytetu Waikato w Nowej Zelandii.

EN

Minor gear damage may lead to serious failures of the device. Thus, it is very important to detect such damage as early as possible to prevent further damage. This paper presents a selection of several theoretical tools from the field of artificial intelligence and their application in gear fault classification. The considered tools are: feed forward neural network (multilayer perception), neural network with radial basis functions, decision tree, Bayesian network, support vector machine, and k-nearest neighbor algorithm. All numerical experiments presented in the paper were performed with the use of real-world dataset and WEKA (Waikato Environment for Knowledge Analysis) software, available at the server of the University of Waikato.

Słowa kluczowe

PL

klasyfikatory; diagnozowanie; sieć bayesowska

EN

classifiers; diagnosis; Bayesian network

• Wydawca: Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
• Czasopismo: Autobusy : technika, eksploatacja, systemy transportowe
• Rocznik: 2017
• Tom: R. 18, nr 12
• Strony: 1233--1236, CD
• Opis fizyczny: Bibliogr. 15 poz., fot., rys., tab., wykr.

Twórcy

autor

Piekoszewski J.

• Politechnika Świętokrzyska w Kielcach, Wydział Elektrotechniki, Automatyki i Informatyki

Bibliografia

• 1. James Li C., Limmer J. D., Model – Based Condition Index for tracking Gear Wear and Fatigue Damage, Wear, vol. 241(1), 2000.
• 2. Muller L., Przekładnie zębate – obliczenia wytrzymałościowe, WNT Warszawa, 1972.
• 3. Staszewski W. J., Tomlinson G. R., Local Tooth Fault Detection in Gearboxes Using a Moving Window, Mechanical Systems and Signal Processing, vol. 11(3), 1997.
• 4. 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(2), 2003.
• 5. Yang H., Mathew J., Ma L., Intelligent diagnosis of rotating machinery faults – a review, 3rd Asia Pacific Conference on System Integrity and Maintence, 2002.
• 6. Chen D., Wang W.J., Classification of wavelet map pattern using multilayer neural networks for gear fault detection, Mechanical Systems and Signal Processing, vol. 16(4), 2002.
• 7. Mitchell T., Machine Learning, McGraw Hill, 1997.
• 8. Koronacki J., Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, 2008.
• 9. Zamanian A. H., Experimental Dataset for Gear Fault Diagnosis, 2014.
• 10. Zamanian A. H., Ohadi A., Gearbox fault detection through PSO exact wavelet analysis and SVM classifier, 18th Annual International Conference on Mechanical Engineering-ISME, 2010.
• 11. Bischop C. M., Pattern Recognition and Machine Learning, Springer-Verlag, New York, 2006.
• 12. Rudziński F., A multi-objective genetic optimization of interpret-ability-oriented fuzzy rule-based classifiers, Applied Soft Computing, vol. 38, 2016.
• 13. Gorzałczany M. B., Rudziński F., A multi-objective genetic optimization for fast, fuzzy rule-based credit classification with balanced accuracy and interpretability, Applied Soft Computing, vol. 50(50), 2016.
• 14. Gorzałczany M. B., Piekoszewski J., Rudziński F., Generalized Tree-Like Self-Organizing Neural Networks with Dynamically Defined Neighborhood for Cluster Analysis, Lecture Notes in Computer Science, vol. 8468, 2014.
• 15. Gorzałczany M. B., Piekoszewski J., Rudziński F., Generalized SOMs with Splitting-Merging Tree-Like Structures for WWW-Document Clustering, Advances in Intelligent Systems Research, vol. 89, 2015.