Wykorzystanie sieci neuronowych do identyfikacji pęknięcia stopy zęba

• Autorzy: Łazarz B. , Czech P.

Warianty tytułu

EN

An identyfication of the degree of the tooth root cracking using the artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W opracowaniu przedstawiono wyniki eksperymentu mającego na celu próbę zastosowania sztucznej sieci neuronowej jako klasyfikatora stopnia podcięcia zęba w przekładni zębatej. Klasyfikator neuronowy oparto na sztucznej sieci neuronowej typu SVM z jądrem radialnym. Dane wejściowe do klasyfikatora stanowiła macierz złożona z miar statystycznych. Zidentyfikowany model przekładni zębatej stanowiska FZG posłużył do generacji zbiór uczącego i testującego zastosowanego w eksperymencie.

EN

The work presents results of an experiment that employs the artificial neuronal network in the task of identification of the degree of tooth root cracking. Neural Networks were based on the Support Vector Machine and the radial basis function kernel has been chosen in the experiments. 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 application of a variety of processing methods.

Słowa kluczowe

PL

diagnostyka; przekładnie zębate; sieci neuronowe

EN

diagnostics; toothed gears; neural networks

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2004
• Tom: Vol. 31
• Strony: 79--88
• Opis fizyczny: Bibliogr. 36 poz., rys., tab.

Twórcy

autor

Łazarz B.

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

autor

Czech P.

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

Bibliografia

• [1] Adamczyk J., Krzyworzeka P., Łopacz H.: Systemy synchronicznego przetwarzania sygnałów diagnostycznych. Collegium Columbinum, Kraków 1999.
• [2] Bartelmus W., Zimroz R., Batra H.: Gearbox vibration signal pre-processing and input values choice for neural network training. AI-METH 2003 - Artificial Intelligence Methods. 5-7.11.2003 r.
• [3] Cempel C.: Diagnostyka wibroakustyczna maszyn, Państwowe Wydawnictwo Naukowe, Warszawa 1989.
• [4] Chen D., Wang W. J.: Classification of wavelet map patterns using multi-layer neural networks for gear fault detection. Mechanical Systems and Signal Processing (2002) 16 (4).
• [5] Decker H. J.: Gear Crack Detection Using Tooth Analysis. NASA/ TM-2002-211491. 2002.
• [6] Dempsey P. J., Zakrajsek J. J.: Minimization load effects on NA4 gear vibration diagnostic parameter. NASA/TM-2001-210671, 2001.
• [7] Donowan M., Krishnappa G.: Some examples of signal analysis techniques to diagnose faults in machines. 6th International Congress on Sound and Vibration. Denmark 1999.
• [8] Giurgiutit V., Cuc A., Goodman P.: Review of vibration-based helicopters health and usage monitoring methods. 55th Meeting of the Society for Machinery Failure Prevention Technology. Virginia Beach 2001.
• [9] Han T., An J., Yang B.: Feature extraction of vibration signal for machinery condition monitoring. 3rd Asia Pacific Conference on System Integrity and Maintence. 2002.
• [10] James C., Limmer J. D.: Model-based condition index for tracking gear wear and fatigue damage. Wear 241 (2000). USA 2000.
• [11] Korbowicz J., Kościelny J., Kowalczuk Z., Cholewa W.: Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, Wydawnictwo Naukowo-Techniczne, Warszawa 2002.
• [12] Kościelny J.: Diagnostyka zautomatyzowanych procesów przemysłowych, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001.
• [13] Kwak J., Ha M., Chung J., Park H., Chang H.: Grinding Fault Diagnosis Based on Neural Network. 3rd Asia Pacific Conference on System Integrity and Maintence. 2002.
• [14] Luszniewicz A., Słaby T.: Statystyka. Teoria i zastosowania, Wydawnictwo C.H.Beck, Warszawa 2003.
• [15] Łazarz B.: Zidentyfikowany model dynamiczny przekładni zębatej jako podstawa projektowania. Biblioteka Problemów Eksploatacji, Katowice-Radom 2001.
• [16] Łazarz B.: Modelowanie lokalnych uszkodzeń kół zębatych do celów diagnostycznych. Diagnostyka vol. 26, 2002.
• [17] Łazarz B. , Wojnar G. : Modelowanie lokalnych uszkodzeń łożysk tocznych w przekładni zębatej do celów diagnostycznych. V Krajowa Konferencja Diagnostyka Techniczna Urządzeń i Systemów DIAG’ 2003.
• [18] Madej H., Czech P., Konieczny Ł.: Wykorzystanie dyskryminant bezwymiarowych w diagnostyce przekładni zębatych, Diagnostyka nr 28, 2003.
• [19] Mangasarian O. L.: Lagrangian Support Vector Machines, Journal of Machine Learning Research, 2001.
• [20] Martin H. R.: Statistical Moment Analysis as a Means of Surface Damage Detection. Proceedings of the 7th International Modal Analysis Conference, Society of Experimental Mechanics, Schenectady, NY 1989.
• [21] McClintic, Lebold M., Maynard K., Byington C., Campbell R.: Residual and difference feature analysis with transitional gearbox data. 54th Meeting of the Society for Machinery Failure Prevention Technology. Virginia Beach 2000.
• [22] McClintic, Lebold M., Maynard K., Byington C., Campbell R.: Review of vibration analysis methods for gearbox diagnostics and prognostics. 54th Meeting of the Society for Machinery Failure Prevention Technology. Virginia Beach 2000.
• [23] Mosher M., Pryor A. H., Huff E. M.: Evaluation of standard gear metrics in helicopter flight operation. 56th Meeting of the Society for Machinery Failure Prevention Technology. Virginia Beach 2002.
• [24] Nałęcz M., Duch W., Korbowicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Biocybernetyka i Inżynieria Biomedyczna 2000, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• [25] Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• [26] Osowski S.: Sieci neuronowe SVM w zastosowaniu do problemów regresji, Przegląd Elektrotechniczny nr 86, 2002.
• [27] Osowski S.: Zastosowanie sieci SVM do klasyfikacji wzorców, Przegląd Elektrotechniczny nr 78, 2002.
• [28] Padovese L. R.: Using acoustical noise for fault classification in gearbox. 15th Brazilian Congress of Mechanical Engineering. Sao Paulo, 1999.
• [29] Radkowski S.: Wibroakustyczna diagnostyka uszkodzeń niskoenergetycznych, Biblioteka Problemów Eksploatacyjnych, Warszawa-Radom 2002.
• [30] Stewart R. M.: Some Useful Data Analysis Techniques for Gearbox Diagnostics. Report MHM/R/10/77, Machine Health Monitoring Group, Institute of Sound and Vibration Research, University of Southampton 1977.
• [31] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993.
• [32] Wang W.: Early detection of gear tooth cracking using the resonance demodulation technique. Mechanical Systems and Signal Processing (2001) 15 (5). 2001.
• [33] 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.
• [34] Wilk A., Łazarz B., Madej H.: Diagnostyka wibroakustyczna przekładni zębatych. V Krajowa Konferencja Diagnostyka Techniczna Urządzeń i Systemów. Diag 2003. Ustroń 2003.
• [35] Yang H., Mathew J., Ma L.: Inteligent diagnosis of rotating machinery faults - a review. 3rd Asia Pacific Conference on System Integrity and Maintence. 2002.
• [36] Zakrajsek J. J., Townsend D. P., Lewicki D., G. Decker H. J., Handschuh R. F.: Transmission diagnostic research at NASA Lewis Research Center. Report Documentation Page NASA TM-106901, 1995.