Diagnosing of car engine fuel injectors damage using DWT analysis and PNN neural networks

• Autorzy: Czech P. , Bąkowski H.

Warianty tytułu

PL

Diagnozowanie uszkodzeń wtryskiwaczy w silnikach spalinowych pojazdów przy użyciu analizy DWT i sieci neuronowych PNN

• Języki publikacji: EN

Abstrakty

EN

In many research centers all over the world nowadays works are being carried out aimed at compiling method for diagnosis machines technical condition. Special meaning have non-invasive methods including methods using vibroacoustic phenomena. In this article is proposed using DWT analysis and energy or entropy, which are a base for diagnostic system of fuel injectors damage in car combustion engine. There were conducted researches aimed at building of diagnostic system using PNN neural networks.

PL

W wielu ośrodkach naukowych na całym świecie trwają obecnie prace mające na celu opracowanie metod diagnozowania stanu technicznego maszyn. Szczególnego znaczenia nabierają metody nieinwazyjne, do których należą metody wykorzystujące zjawiska wibroakustyczne. W artykule zaproponowano wykorzystanie analizy DWT oraz energii lub entropii będących podstawą systemu diagnozującego występującą niesprawność wtryskiwaczy w silniku spalinowym samochodu. Przeprowadzono badania mające na celu budowę systemu diagnostycznego wykorzystującego sieci neuronowe typu PNN.

Słowa kluczowe

EN

internal combustion engine; artificial neural network; diagnostics

PL

silnik spalinowy; sztuczna sieć neuronowa; diagnostyka

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Transport Problems
• Rocznik: 2013
• Tom: T. 8, z. 3
• Strony: 85--91
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Czech P.

• Silesian University of Technology, Faculty of Transport Krasinskiego 8, 40-019 Katowice, Poland

autor

Bąkowski H.

• Silesian University of Technology, Faculty of Transport Krasinskiego 8, 40-019 Katowice, Poland

Bibliografia

• 1. Bartelmus, W. & Zimroz, R. A new feature for monitoring the condition of gearboxes in nonstationary operating conditions. Mechanical Systems and Signal Processing. 2009. Vol. 23. P. 1528-1534.
• 2. Czech, P. & Łazarz, B. & Wojnar, G. Detection of local defects of gear teeth using artificial neural networks and genetic algorithms. Radom: ITE. 2007.
• 3. Czech, P. & Madej, H. Application of cepstrum and spectrum histograms of vibration engine body for setting up the clearance model of the piston-cylinder assembly for RBF neural classifier. Eksploatacja i Niezawodność – Maintenance And Reliability. 2011. No 4. P. 15-20.
• 4. Figlus, T. Diagnosing the engine valve clearance, on the basis of the energy changes of the vibratory signal. Maintenance Problems. 2009. Vol. 1. P. 75-84.
• 5. Grega, R. & Homišin, J. & Kaššay, P. & Krajňák, J. The analyse of vibrations after changing shaft coupling in drive belt conveyer. Zeszyty Naukowe. Transport. Gliwice: Politechnika Śląska. 2011. Z. 72. P. 23-31.
• 6. Komorska, I. Adaptive model of engine vibration signal for diagnostics of mechanical defects. Mechanika. 2013. Vol. 19 (3). P. 301-305.
• 7. Liu, B. Selection of wavelet packet basis for rotating machinery fault diagnosis. Journal of Sound and Vibration. 2005. Vol. 284. P. 567-582.
• 8. Madej, H. & Czech, P. Discrete wavelet transform and probabilistic neural network in IC engine fault diagnosis. Eksploatacja i Niezawodność – Maintenance And Reliability. 2010. No 4. P. 47-54.
• 9. Osowski, St. Neural networks for information processing. Warsaw: Oficyna Wydawnicza Politechniki Warszawskiej. 2000.
• 10. Peng, Z. & Chu, F. Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography. Mechanical Systems and Signal Processing. 2004. Vol. 18. P. 199-221.
• 11. Puškár, M. & Bigoš, P. & Puškárová, P. Accurate measurements of output characteristics and detonations of motorbike high-speed racing engine and their optimization at actual atmospheric conditions and combusted mixture composition. Measurement. 2012. Vol. 45. P. 1067-1076.
• 12. Tadeusiewicz, R. & Lula, P. Introduction to neural networks. Krakow: StatSoft. 2001.
• 13. Yu Hen Hu & Jenq-Neng Hwang Handbook of neural network signal processing. USA: CRC PRESS. 2002.
• 14. Zuber, N. & Ličen, H. & Klašnja-Miličević, A. Remote online condition monitoring of the bucket wheel excavator SR1300 – a case study. Facta Universitatis. Series: Working and Living Environmental Protection. 2008. Vol. 1 (5). P. 25-37.