Optimum choice of signals' features used in toothed gears' diagnosis

• Autorzy: Jedliński Ł. , Jonak J.

Warianty tytułu

PL

Optymalny wybór cech sygnałów wykorzystywanych w diagnozowaniu przekładni zębatych

• Języki publikacji: EN

Abstrakty

EN

The article proposes an algorithm to choose optimum diagnostic features used in toothed gears' diagnosis. The test object is a single-bevel gear in the research area. From the gear in two technical states there were collected vibration signals and eight features were calculated. Feature and machine state correlation degree depends on the type of damage and analyzed object properties. Some features are insensitive to particular damage or may transmit the same information. Signal features choice is a crucial step which influences the final technical condition evaluation. With the algorithm that automatically verifies features' usability there were chosen four best correlated with the technical condition of the object. Gear state classifiers were two neural networks, one formed of four features and the other of all eight. The other one was set to check features' choice accuracy.

PL

W artykule przedstawiono algorytm doboru optymalnych cech diagnostycznych używanych w diagnozowaniu przekładni zębatych. Obiektem badań była przekładnia jednostopniowa stożkowa badana na stanowisku badawczym. Z przekładni w dwóch stanach technicznych zarejestrowano sygnały drgań i obliczono osiem cech. Stopień korelacji cechy ze stanem maszyny zależy od rodzaju uszkodzenia i właściwości analizowanego obiektu. Niektóre cechy nie są czułe na dane uszkodzenie, lub mogą przekazywać tę samą informację. Wybór cech sygnału jest krytycznym krokiem, który ma wpływ na ostateczny wynik oceny stanu technicznego Za pomocą algorytmu, który w sposób automatyczny weryfikuje przydatność cech wybrano cztery najbardziej skorelowane ze stanem technicznym obiektu. Klasyfikatorem stanu przekładni były dwie sieci neuronowe, pierwsza utworzona dla czterech cech a druga dla wszystkich ośmiu. Druga sieć miała na celu sprawdzenie poprawności wyboru cech.

Słowa kluczowe

EN

bevel gear; feature selection; artificial neural network

PL

przekładnia stożkowa; selekcja cech; sztuczna sieć neuronowa

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2010
• Tom: nr 3(55)
• Strony: 9--12
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Jedliński Ł.

autor

Jonak J.

• Lublin University of Technology, Mechanical Faculty, Department of Machine Design 36 Nadbystrzycka Street, 20-618 Lublin, Poland, tel. [phone],

Bibliografia

• [1] Bartelmus W., Zimroz R.: Identyfikacja optymalnych cech diagnostycznych wielostopniowych przekładni zębatych. Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej nr 113, Studia i materiały nr 31/ 2005 (str. 11-22).
• [2] Decker H.: Crack detection for aerospace quality spur gears. NASA/TM-2002-211492.
• [3] Lei Y., He Z., Zi Y., Hu Q.: Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs. Mechanical Systems and Signal Processing 21/2007 (str. 2280-2294).
• [4] Madej H., Czech P., Konieczny Ł.: Wykorzystanie dyskryminant bezwymiarowych w diagnozowaniu przekładni zębatych. Diagnostyka 28/2003 (str. 17-22).
• [5] Samanta B.: Gear fault detection using artificial neural networks and support vector machines with genetic algorithms. Mechanical Systems and Signal Processing 18/2004 (str. 625-644).
• [6] Samuel P., Pines D.: A review of vibration-based techniques for helicopter transmission diagnostics. Journal of Sound and Vibration 282/2005 (str. 475-508).
• [7] StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0. www.statsoft.com.
• [8] Wilk A., Łazarz B., Madej H.: Diagnostyka wibroakustyczna przekładni zębatych. V Krajowa Konferencja Diagnostyka Techniczna Urządzeń i Systemów 2003.
• [9] Yang B. S., Kim K.: Application of Dempster-Shafer theory in fault diagnosis of induction motors using vibration and current signals. Mechanical Systems and Signal Processing 20/2006 (str. 403-420).
• [10] Yang B.S., Han T., An J.L.: ART-KOHONEN neural network for fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing 18/2004 (str. 645-657).
• [11] Zhu F., Guan S.: Feature selection for modular GA-based classification. Applied Soft Computing 4/2004 (str. 381-393).