Odszumianie danych rejestrowanych wielokanałowo z użyciem transformaty falkowej

• Autorzy: Jedliński Ł.

Warianty tytułu

EN

Multi-channel registered data denoising using wavelet trans form

• Języki publikacji: EN

Abstrakty

EN

In order to obtain information regarding given phenomenon or object, it is usually necessary to register selected measurement signals obtained using sensors. Unfortunately, obtained signals, apart form desired information, contain disturbances caused by, amongst many other, properties of the measurement channel and processes associated with object operation. In many cases it is necessary to measure the same value in different places and/or directions. Thus, there is a demand for a tool improving signal to noise ration of the multi-channel registered signals.Wavelet transform is a relatively new method of data processing used in different fields (e.g. technique and physics). In case of signals it can be used for denoising, compression, trend detection or discontinuity detection. In this work it was used to denoise vibration signals registered by two three-axis sensors. Object of investigation was the bevel toothed gear. Signals denoising was to improve efficiency of the diagnosis of transmission gears teeth damage.

PL

W celu uzyskania informacji o interesującym nas zjawisku lub obiekcie najczęściej rejestrowane są wybrane sygnały pomiarowe otrzymane za pośrednictwem czujników. Niestety uzyskane sygnały oprócz pożądanej informacji zawierają również zakłócenia, które są spowodowane m.in. właściwościami toru pomiarowego i procesami towarzyszącymi działaniu obiektu. W wielu przypadkach zachodzi potrzeba pomiaru takiej samej wielkości w różnych miejscach obiektu i/lub kierunkach. Potrzebne są zatem narzędzia do poprawy stosunku sygnału do szumu sygnałów rejestrowanych wielokanałowo. Transformata falkowa jest stosunkowo nową metodą przetwarzania danych, która znalazła zastosowanie w różnych dziedzinach takich jak technika i fizyka. W odniesieniu do sygnałów może być używana do odszumiania, kompresji, wykrywaniu trendu czy nieciągłości sygnału. W pracy tej transformata falkowa została użyta od odszumiania sygnałów drgań zarejestrowanych z dwóch trójosiowych czujników. Obiektem badań była przekładnia zębata stożkowa. Odszumianie sygnałów miało na celu poprawę skuteczności diagnozy uszkodzenia kół zębatych przekładni.

Słowa kluczowe

EN

denoising; wavelet transform; artificial neural network; spiral bevel gear

PL

odszumianie danych; transformata falkowa; sztuczne sieci neuronowe; przekładnia stożkowa

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 2
• Strony: 145--149
• Opis fizyczny: Bibliogr. 18 poz.

Twórcy

autor

Jedliński Ł.

• Department of Mechanical Engineering Lublin University of Technology ul. Nadbystrzycka 36, 20-618 Lublin, Poland,

Bibliografia

• 1. Aminghafari M, Cheze N, Poggi J M. Multivariate denoising using wavelets and principal component analysis. Computational Statistics & Data Analysis 2006; 50: 2381–2398.
• 2. Antoni J, Bonnardot F, Raad A, El Badaoui M. Cyclostationary modelling of rotating machine vibration signals. Mechanical Systems and Signal Processing 2004; 18: 1285–1314.
• 3. Antoni J, Randall R B. Unsupervised noise cancellation for vibration signals: part I-evaluation of adaptive algorithms. Mechanical Systems and Signal Processing 2004; 18: 89–101.
• 4. Barszcz T. Decomposition of vibration signals into deterministic and nondeterministic components and its capabilities of fault detection and identification. Int. J. Appl. Math. Comput. Sci. 2009; 19(2): 327–335.
• 5. Batko W, Dąbrowski Z, Engel Z, Kiciński J, Weyna S. Nowoczesne metody procesów wibroakustycznych. Radom: Wydawnictwo Instytutu Technologii Eksploatacji, 2005.
• 6. Białasiewicz J T. Falki i aproksymacje. Warszawa: WNT, 2004.
• 7. Bilgin S, Colak O H, Koklukaya E, Ari N. Efficient solution for frequency band decomposition problem using wavelet packet in HRV. Digital Signal Processing 2008; 18: 892–899.
• 8. Jedliński Ł, Jonak J. Optimum choice of signals’ features used in toothed gears’ diagnosis. Diagnostyka 2010; 55: 9–12.
• 9. Jedliński Ł, Jonak J. Quality evaluation of the bevel gear assembly based on analysis of the vibration signal. Diagnostyka 2010; 53: 23–26.
• 10. Krukowski W, Józefczyk I. Transformacja falkowa w diagnostyce urządzeń mechanicznych. Diagnostyka 2008; 46: 75–82.
• 11. Łazarz B, Wojnar G, Czech P. Early fault detection of toothed gear in exploitation conditions. Eksploatacja i Niezawodnosc –Maintenance and Reliability 2011; 1: 68–77.
• 12. Mallat S G. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence 1989; 7: 674–693.
• 13. Misiti M, Misiti Y, Oppenheim G, Poggi J M. Wavelet toolboxTM 4. User’s guide. The MathWorks, Inc. 2010.
• 14. Peng Z K, Chu F L. Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography. Mechanical Systems and Signal Processing 2004; 18: 199–221.
• 15. Seker S, Ayaz E. Feature extraction related to bearing damage in electric motors by wavelet analysis. Journal of the Franklin Institute 2003; 340: 125–134.
• 16. Wang Y, Zuo M, Lei Y, Fan X. Improvement of local mean approximation in empirical mode decomposition for gear fault detection. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2010; 2: 59–66.
• 17. Wu J D, Kuo J M. An automotive generator fault diagnosis system using discrete wavelet transform and artificial neural network. Expert Systems with Applications 2009; 36: 9776–9783.
• 18. Zimroz R. Zastosowanie analizy falkowej w diagnostyce uszkodzeń lokalnych układów napędowych maszyn górniczych. Diagnostyka 2009; 49: 113-122.