Prognozowanie uszkodzeń przekładni mostu napędowego z wykorzystaniem wstępnego przetwarzania sygnału drgań w połączeniu z sieciami neuronowymi typu RBF

• Autorzy: Shao Y. , Li X. , Mechefske Ch. K. , Chen Z.

Warianty tytułu

EN

Rear axle gear damage prediction using vibration signal preprocessing coupled with RBF neural networks

• Języki publikacji: EN

Abstrakty

EN

The rear axle gear is a key part of the automobile transmission system and accurate damage prediction is important for car safety. However, the precision of gear damage prediction is currently low because of the varying rotating speeds and the changing loads when a truck is in use. In order to reduce the fluctuation of vibrations and enhance the predicting accuracy of gear residual life, a new predictive method, which combines the Radial Basis Function (RBF) neural network with recursive preprocessing is proposed in this paper. The recursive preprocessing method reduces the effects of instantaneous load and speed fluctuations on the characteristic parameters extracted from vibration signals. The RBF neural network models the non-linear characteristics of the rear axle gear transmission. The RBF neural network is characterized by its self-adaptive behavior and its rapid convergence. The simulated and experimental results have shown that this new method can enhance traditional prediction methods and obtain high precision for the damage prediction of rear axle gears.

PL

Przekładnia mostu pędnego stanowi kluczową część samochodowego układu przeniesienia napędu, a trafne przewidywanie uszkodzeń jest istotne dla bezpiecznego użytkowania samochodu. Jednakże precyzja przewidywania uszkodzenia przekładni jest obecnie niska ze względu na zmienne prędkości obrotowe i zmieniające się obciążenia występujące podczas używania pojazdu. W celu zredukowania zmienności drgań i zwiększenia trafności przewidywania trwałości resztkowej przekładni, w artykule zaproponowano nową metodę predykcyjną, która łączy sieć neuronową o radialnych funkcjach bazowych (RBF) i rekurencyjne przetwarzanie wstępne. Metoda rekurencyjnego przetwarzania wstępnego zmniejsza wpływ zmienności chwilowego obciążenia i prędkości na charakterystyczne parametry uzyskane z sygnałów drganiowych. Sieć neuronowa typu RBF modeluje nieliniowe charakterystyki przenoszenia napędu przez przekładnię mostu pędnego. Sieć taka charakteryzuje się zachowaniem samoadaptacyjnym i szybką zbieżnością. Wyniki badań symulacyjnych i eksperymentalnych pokazują, że ta nowa metoda może pozwolić na udoskonalenie tradycyjnych metod predykcyjnych oraz osiąganie wysokiej precyzji w przewidywaniu uszkodzeń przekładni mostu pędnego.

Słowa kluczowe

EN

damage; prediction; vibration signals; RBF neural network

PL

uszkodzenie; predykcja; sygnały drganiowe; sieć neuronowa typu RBF

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2009
• Tom: nr 4
• Strony: 57--64
• Opis fizyczny: Bibliogr. 20 poz.

Twórcy

autor

Shao Y.

autor

Li X.

autor

Mechefske Ch. K.

autor

Chen Z.

• The State Key Laboratory of Mechanical Transmission Chongqing University Chongqing, 400044, P. R. China,

Bibliografia

• 1. Burstein L, Segal L. Prediction of machine residual service life: method and computing. NDT and E International 2004; 37(7): 517-523.　
• 2. Huang H Z, Liu Z J, Murthy D N P. Optimal reliability, warranty and price for new products. IIE Transactions 2007; 39(8): 819-827.
• 3. Huang H Z, Zuo M J, Sun Z Q. Bayesian reliability analysis for fuzzy lifetime data. Fuzzy Sets and Systems 2006; 157(12): 1674-1686.
• 4. Khan M A, Cooper D, Starr A. BS-ISO helical gear fatigue life estimation and wear quantitative feature analysis. Strain 2009; 45(4): 358-363.
• 5. Kramberger J, Sraml M, Potrc I, Flasker J. Numerical calculation of bending fatigue life of thin-rim spur gears. Engineering Fracture Mechanics 2004; 71(4-6): 647-656.
• 6. Liu Y, Huang H Z. Comment on ‘A framework to practical predictive maintenance modeling for multi-state systems’’ by Tan C.M. and Raghavan N. [Reliab Eng Syst Saf 2008; 93(8): 1138–50]. Reliability Engineering and System Safety 2009; 94(3): 776-780.
• 7. Lewicki D G, Handschuh R F, Spievak L E, Wawrzynek P A, Ingraffea A R. Consideration of moving tooth load in gear crack propagation prediction. National Aeronautics and Space Administration 2001.
• 8. Li James C, Lee Hyungdae. Gear fatigue crack prognosis using embeded model, gear dynamic model and fracture mechanics. Mechanical Systems and Signal Processing 2005; 19(4): 836-846.
• 9. Loutridis J S. Instantaneous energy density as a feature for gear fault detection. Mechanical Systems and Signal Processing 2006; 20(5): 1239-1253.
• 10. Loutridis J S. Gear failure prediction using multiscale local statistics. Engineering Structures 2008; 30(5): 1214-1223.
• 11. Naqanura Kazuteru, Terauchi Yoshio, Martowibowo Siqit Yoewono. Study on gear bending fatigue strength design based on reliability engineering (prediction of crack propagation and fatigue life of MAC14 super carburized steel gear). JSME International Journal 1994; 37(4): 795-803.
• 12. Park J, Sandberg I W. Approximation and radial-basis-function networks. Neural Computation 1993; 5(2): 305-316.
• 13. Singh Avinash. Development and validation of a S-N based two phase bending fatigue life prediction model. American Society of Mechanical Engineers, Design Engineering Division (Publication) DE 2001: 1-7.
• 14. Shao Y, Nezu K. Prognosis of remaining bearing life using neural networks. Journal of Systems and Control Engineering, Proc Instn Mech Engrs 2002; 214.
• 15. Topac M M, Gunal H, Kuralay N S. Fatigue failure prediction of a rear axle housing prototype by using finite element analysis. Engineering Failure Analysis 2009; 16(5):1474-1482.
• 16. Tanaka E, Nagamura K, Lkejo K, Sugiyama T, Nemoto R. Development of damage diagnosis on a gear tooth surface by using laser beam reflection. Nihon Kikai Gakkai Ronbunshu, C Hen/Transactions of the Japan Society of Mechanical Engineers, Part C 2007; 73(5): 1545-1551.
• 17. Virtic M P, Abersek B, Zuperl U. Using of Acoustic Models in Mechanical Diagnostics. Strojniski Vestnik/Journal of Mechanical Engineering 2008; 54(12): 874-882.
• 18. Vecer P, Kreidl M, Smid R. Condition indicators for gearbox condition monitoring systems. Czech Technical University in Prague. Acta Polytechnica 2005; 45(6): 35-43.
• 19. Wei Haikun. The structural design of neural network theory and method. Beijing: Defense Industry Publishing House 2005.
• 20. Zhan Yimin, Makis Viliam. A robust diagnostic model for gearboxes subject to vibration monitoring. Journal of Sound and Vibration 2006; 290: 928-955.