Application of wavelet – neural method to detect backlash zone in electromechanical systems generating noises

• Autorzy: Tomczyk Marcin , Plichta Anna , Mikulski Mariusz

Identyfikatory

DOI

10.23743/acs-2019-32

• Języki publikacji: EN

Abstrakty

EN

This paper presents a method of identifying the width of backlash zone in an electromechanical system generating noises. The system load is a series of rectangular pulses of constant amplitude, generated at equal intervals. The need for identification of the backlash zone is associated with a gradual increase of its width during the drive operation. The study uses wavelet analysis of signals and analysis of neural network weights obtained from the processing without supervised learning. The time-frequency signal representations of accelerations of the mechanical load components were investigated.

Słowa kluczowe

EN

induction motor; wavelet transformation; backlash zone; neural networks

PL

silnik indukcyjny; transformacja falkowa; strefa luzu; sieci neuronowe

• Wydawca: Polskie Towarzystwo Promocji Wiedzy ; Lublin University of Technology
• Czasopismo: Applied Computer Science
• Rocznik: 2019
• Tom: Vol. 15, no 4
• Strony: 93--108
• Opis fizyczny: Bibliogr. 16 poz., fig., tab.

Twórcy

autor

Tomczyk Marcin

• Cracow Univeristy of Technology, Faculty of Electrical and Computer Engineering, Warszawska 24, 31-155 Kraków, Poland

autor

Plichta Anna

• Cracow Univeristy of Technology, Faculty of Computer Science and Telecommunications, Chair of Computer Science, Warszawska 24, 31-155 Kraków, Poland

autor

Mikulski Mariusz

• State Higher Vocational School in Nowy Sącz, Institute of Engineering,Zamenhofa 1a, 33-300 Nowy Sącz, Poland

Bibliografia

• [1] Aktas, M., & Turkmenoglu, V. (2010). Wavelet-based switching faults detection in direct torque control induction motor drives. Science, Measurement & Technology, IET, 4(6), 303–310.
• [2] Balara, D., Timko, J., Źilkova, J., & Leśo, D. (2017). Neural networks application for mechanical parameters identification of asynchronous motor. Neural Network World, 3, 259–270.
• [3] Chebil, J., Noel, G., Mesbah, M., & Derihe, M. (2009). Wavelet Decomposition for the Detection and Diagnosis of Faults in Rolling Element Bearings. Jordan Journal of Mechanical and Industrial Engineering, 3(4), 260–267.
• [4] Doniec, R. (2010). Wykorzystanie metod sztucznej inteligencji do regulacji poziomu insuliny w organiźmie człowieka (doctoral dissertation). Politechnika Śląska, Gliwice.
• [5] Duch, W., Korbicz, J., Rutkowski, L., & Tadeusiewicz, R. (2000). Biocybernetyka
• i inżynieria biomedyczna 2000. Sieci neuronowe. Tom 6. Warszawa: Akademicka Oficyna Wydawnicza EXIT.
• [6] Duda, J. T. (2007). Pozyskiwanie wzorców diagnostycznych w komputerowych analizach sprawności urządzeń, Diagnostyka procesów i systemów (pp. 1–16). Warszawa: Akademicka Oficyna Wydawnicza EXIT.
• [7] Fuente, M. J., & Saludes, S. (2000). Fault detection and isolation in a non-linear plant via neural networks. IFAC Proceedings Volumes, 33(11), 463–468.
• [8] Granda, D., Aguilar, W. G., Arcos-Aviles, D., & Sotomayor, D., (2017). Broken bar diagnosis for squirrel cage induction motors using frequency analysis based on MCSA and continous wavelet transform. Mathematical and Computational Applications, 22(2), 30. doi:10.3390/mca22020030
• [9] Korbicz, J., Kościelny, J. M., & Kowalczuk, Z. (2002). Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania. Warszawa: WNT.
• [10] Kowalski, Cz. (2003). Stan obecny i tendencje rozwojowe metod monitorowania
• i diagnostyki napędów z silnikami indukcyjnymi. Wiadomości Elektrotechniczne, 4, 160–164.
• [11] Łobos, T., Leonowicz, Z., Rezmer, J., & Schegner, P. (2006). High resolution spectrum-estimation methods for signal analysis in power systems. IEEE Trans. Instrum. Measur., 55(1), 219–225.
• [12] Osowski, S. (1996). Sieci neuronowe – w ujęciu algorytmicznym. Warszawa: WNT.
• [13] Tadeusiewicz, R. (1993). Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza.
• [14] Wysogląd, B. (2003). Metody diagnozowania łożysk tocznych z zastosowaniem transformacji falkowej. Diagnostyka, 29, 47–52.
• [15] Zając, M. (2009). Metody falkowe w monitoringu i diagnostyce układów elektromechanicznych. Monografia 371. Kraków: Politechnika Krakowska.
• [16] Zhang, J. W., Zhu, N., Yang, L., Yao, Q., & Lu, Q. (2007). A fault diagnosis approach for broken rotor bars based on EMD and envelope analysis. Journal of China University Mining & Technology, 17(2), 205–209.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).