Klasyfikacja rodzaju i stopnia uszkodzenia zębów kół przekładni oparta na ciągłej transformacie falkowej i sieci neuronowej typu MLP - koncepcja wykorzystania danych z modelu i rzeczywistej przekładni

• Autorzy: Czech P. , Łazarz B.

Warianty tytułu

EN

Classification of kinds and degee of tooth gear fail by using continuous wavelet transform and MLP neural network - conception of using dates from the model and real gearbox

• Języki publikacji: PL

Abstrakty

PL

W opracowaniu przedstawiono wyniki próby zastosowania sztucznej sieci neuronowej jako klasyfikatora rodzaju i stopnia uszkodzenia zębów kół w przekładni. Klasyfikator neuronowy oparto na sztucznej sieci neuronowej typu MLP. Dane wejściowe do klasyfikatora stanowiła macierz złożona z miar statystycznych otrzymanych z ciągłej analizy falkowej. Zidentyfikowany model przekładni zębatej pracującej w układzie napędowym oraz stanowisko mocy krążącej FZG posłużyły do generacji zbiorów uczących i testujących zastosowanych w eksperymencie.

EN

The work presents results of an experiment that employs the artificial neuronal network in the task of identification of kinds and degree of tooth failure. Neural Networks were based on the Multi Layer Perceptrons. Statistical measures that describe the emergence and degree of tooth gear diagnostic served as input data for the artificial neural networks. The measures employed in the experiment were obtained from signals through the continuous wavelet transform. In the experiment the dynamic model of gearbox and power circulating gear testing machine was used as generator of data.

Słowa kluczowe

PL

diagnostyka; przekładnia zębata; sztuczna sieć neuronowa; ciągła transformata falkowa

EN

diagnostics; gear fault; neural network; continuous wavelet transform (CWT)

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2007
• Tom: nr 2(42)
• Strony: 75--82
• Opis fizyczny: Bibliogr. 34 poz., rys., tab.

Twórcy

autor

Czech P.

autor

Łazarz B.

• Katedra Budowy Pojazdów Samochodowych, Wydział Transportu, Politechnika Śląska, ul. Krasińskiego 8, 40-019 Katowice,

Bibliografia

• [1] Adamczyk J., Cioch W., Krzyworzeka P.: Możliwości neuronowej klasyfikacji stanu w zmiennych warunkach pracy obiektu, ZEM, Z. 2, Vol. 34, Radom, 1999.
• [2] Bartelmus W.: Mathematical modelling and computer simulations as an aid to gearbox diagnostics. Mechanical Systems and Signal Processing 15(5)/2001.
• [3] Bartelmus W., Zimroz R.: Application of self-organised network for supporting condition evaluation of gearboxes. Artificial Intelligence Methods “AI-METH”. Gliwice 2004.
• [4] Batko W., Ziółko M.: Zastosowanie teorii falek w diagnostyce technicznej. AGH, Kraków 2002.
• [5] Baydar N., Ball A.: Detection of gear failures via vibration and acoustic signals using wavelet transform. Mechanical Systems and Signal Processing 17(4)/2003.
• [6] Białasiewicz J.: Falki i aproksymacje. WNT. Warszawa 2000.
• [7] Cempel C.: Diagnostyka wibroakustyczna maszyn, Państwowe Wydawnictwo Naukowe, Warszawa 1989.
• [8] Chen D., Wang W. J.: Classification of wavelet map pattern using multi-layer neural networks for gear fault detection. Mechanical Systems and Signal Processing (2002) 16(4).
• [9] Czech P.: Wykrywanie uszkodzeń przekładni zębatych za pomocą metod sztucznej inteligencji. Rozprawa doktorska. Katowice 2006.
• [10] Czech P., Folęga P.: Doświadczalne wyznaczanie sztywności zębów kół. Zeszyty Naukowe Politechniki Śląskiej s. Transport, z. 57. Gliwice 2005.
• [11] Czech P., Łazarz B., Madej H.: Wykorzystanie analizy falkowej i współczynników Hoeldera w identyfikacji pęknięcia stopy zęba przy użyciu neuronowego klasyfikatora SVM (rozdział w monografii pod redakcją Radkowski St.: Degradacja systemów technicznych. Analiza ryzyka i diagnostyka procesów degradacyjnych i zmęczeniowych). Warszawa 2004.
• [12] Dalpiaz G., Rivola A., Rubini R.: Effectiveness and sensivity of vibration processing techniques for local fault detection in gears. Mechanical Systems and Signal Processing (2000) 14(3).
• [13] Dąbrowski Z., Radkowski St., Wilk A.: Dynamika przekładni zębatych. Badania i symulacja w projektowaniu eksploatacyjnie zorientowanym. ITE 2000.
• [14] Dybała J., Radkowski S.: Geometrical method of selection of features of diagnostic signals. Mechanical Systems and Signal Processing 21(2)/2007.
• [15] Hu Y. H., Hwang J. N.: Handbook of neural network signal processing. CRC Press 2002.
• [16] Kim H., Melhem H.: Damage detection of structures by wavelet analysis. Mechanical Systems and Signal Processing 26/2004.
• [17] Korbicz J., Kościelny J., Kowalczuk Z., Cholewa W.: Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, Wydawnictwo Naukowo-Techniczne, Warszawa 2002.
• [18] Łazarz B., Czech P.: Wykorzystanie sieci neuronowej do identyfikacji pęknięcia stopy zęba, Diagnostyka’ 31, 2004.
• [19] Łazarz B.: Zidentyfikowany model dynamiczny przekładni zębatej jako podstawa projektowania, Biblioteka Problemów Eksploatacji, Katowice-Radom 2001.
• [20] Łazarz B., Wojnar G.: Wykorzystanie analizy falkowej w diagnozowaniu lokalnych uszkodzeń kół zębatych. Diagnostyka’30. 2004.
• [21] Madej H.: Wykorzystanie sygnału resztkowego drgań w diagnostyce przekładni zębatych. Diagnostyka Vol. 26, 2002.
• [22] Nałęcz M., Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Biocybernetyka i Inżynieria Biomedyczna, tom 6. Akademicka Oficyna Wydawnicza EXIT. Warszawa 2000.
• [23] Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• [24] Paya B. A., Esat I. I., Badi M. N. M.: Artificial neural network based fault diagnostics of rotating machinery using wavelet transforms as a preprocessor. Mechanical Systems and Signal Processing (1997) 11(5).
• [25] Peng Z. K., Chu F. L.: Application of the wavelet transform in machine condition monitoring and fault diagnostics. Mechanical Systems and Signal Processing 18/2004.
• [26] Radkowski S.: Wibroakustyczna diagnostyka uszkodzeń niskoenergetycznych, Biblioteka Problemów Eksploatacyjnych, Warszawa-Radom 2002.
• [27] Randall R. B.: Detection and diagnosis of incipient bearing failure in helicopter gearboxes. Engineering Failure Analysis 11 (2004).
• [28] 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 (2003) 17(2).
• [29] Sung C. K., Tai H. M., Chen C. W.: Location defects of gear system by the technique of wavelet transform. Mechanism and Machine Theory 35 (2000).
• [30] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993.
• [31] Wang W. Q., Ismail F., Golnaraghi M. F.: Assessment of gear damage monitoring techniques using vibration measurements. Mechanical Systems and Signal Processing (2001) 15(5).
• [32] Wilk A., Łazarz B., Madej H.: Vibration Processing Techniques for Fault Detection in Gearboxes, Proceedings of DETC’2003 ASME 2003 Design Engineering Technical Conferences and Computers and Information in Engineering Conference Chicago, Illinois, USA, 2003.
• [33] Zheng H., Li Z., Chen X.: Gear fault diagnosis based on continuous wavelet transform. Mechanical Systems and Signal Processing 16(2-3)/2002.
• [34] Żółtowski B., Cempel C. (praca zbiorowa): Inżynieria Diagnostyki Maszyn. Biblioteka Problemów Eksploatacyjnych. Polskie Towarzystwo Diagnostyki Technicznej. Instytut Technologii Eksploatacji PIB Radom. Warszawa, Bydgoszcz, Radom 2004.