Application of the histogram of the vibration spectrum of an engine block for setting up the clearance model of the piston-cylinder assembly for PNN neural classifier

• Autorzy: Madej H. , Czech P.

Warianty tytułu

PL

Wykorzystanie histogramu widma drgań korpusu silnika do budowy wzorców luzu w układzie tłok-cylinder dla klasyfikatora neuronowego

• Języki publikacji: EN

Abstrakty

EN

The paper presents an attempt to evaluate the wear of piston-cylinder assembly with the aid of a vibration signal recorded on spark ignition (SI) engine body. The subject of the study was a four-cylinder combustion engine 1.2 cubic dm. Diagnosing combustion engines with vibration methods is especially difficult, due to the presence of multiple sources of vibration interfering with the symptoms of damages. Diagnosing engines with vibro-accoustic methods is difficult, also due to the necessity to analyse non-stationary and transient signals. Various methods for selection of a usable signal are utilised in the diagnosing process. Changes of the engine technical condition resulting from early stages of wear are difficult to detect for the effect of mechanical defect masked by adaptive engine control systems. According to the studies carried out, it is possible to utilise artificial neural networks for the evaluation of the clearance in piston-cylinder assembly.

PL

W artykule przedstawiono próbę oceny zużycia złożenia tłok-cylinder za pomocą sygnału drgań rejestrowanego na kadłubie silnika ZI. Obiektem badań był czterocylindrowy silnik spalinowy o pojemności 1,2 dm sześciennego. Diagnozowanie silnika spalinowego metodami drganiowymi jest szczególnie utrudnione ze względu na występowanie wielu źródeł drgań, co jest przyczyną wzajemnego zakłócania symptomów uszkodzeń. Diagnozowanie uszkodzeń silników metodami wibroakustycznymi jest trudne także ze względu na konieczność analizy sygnałów niestacjonarnych i impulsowych. W procesie diagnozowania stosuje się różne sposoby selekcji sygnału użytecznego. Zmiany stanu technicznego silnika wywołane wczesnymi fazami jego zużycia są trudne do wykrycia ze względu na maskowanie usterek mechanicznych przez adaptacyjne układy sterowania silnika. Z przeprowadzonych badań wynika, że istnieje możliwość wykorzystania sztucznych sieci neuronowych do oceny luzu w układzie tłok-cylinder.

Słowa kluczowe

EN

diagnostics; combustion engine; artificial neural networks; vibration

PL

diagnostyka; silnik spalinowy; sztuczne sieci neuronowe; drgania

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Scientific Problems of Machines Operation and Maintenance
• Rocznik: 2008
• Tom: Vol. 43, nr 2
• Strony: 83--92
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Madej H.

autor

Czech P.

• Silesian University of Technology, Faculty of Transport, 8 Krasińskiego St., 40-019 Katowice,

Bibliografia

• [1] Cempel C, Vibro-accoustic diagnostics of machines, Państwowe Wydawnictwo Naukowe, Warsaw 1989.
• [2] Czech P., Łazarz B., Wojnar G., Detection of local defects of gear teeth using artificial neural networks and genetic algorithms, Wydawnictwo ITE, Radom 2007.
• [3] Dąbrowski Z., Madej H., Masking mechanical damages in the modern control systems of combustion engines, Journal of KONES, Vol. 13, No 3/2006.
• [4] Gately E., Neural networks. Financial forecasting and designing transaction systems, WIG-Press, Warsaw 1999.
• [5] Heywood J. B., Internal combustion engines fundamentals, McGraw Hill Inc 1988.
• [6] Isermann R., Diagnosis methods for electronic controlled vehicles, Vehicle System Dynamics, Vol. 36, No. 2-3, 2001.
• [7] Isermann R.: Model-based fault-detection and diagnosis - status and applications. Annual Reviews in Control, vol. 29 (2005).
• [8] Kalogirou S.: Artificial inteligence for the modeling and control of combustion processes: a review. Progress in Energy and Combustion Science, vol. 29 (2003).
• [9] Kalogirou S.: Artificial Intelligence in Energy and Renewable Energy Systems. Nova Publishers, Hauppauge NY, 2006.
• [10] Korbicz J., Kościelny J., Kowalczuk Z., Cholewa W. (collective work), Process diagnostics. Models. Methods for artificial intelligence. Applications, Wydawnictwa Naukowo-Techniczne, Warsaw 2002.
• [11] Moczulski W., Przystałka P., Application of Neural Networks for Diagnostics of Dynamic Processes, AI-METH'2004, Gliwice, 2004.
• [12] Osowski St., Neural networks for information processing, Oficyna Wydawnicza Politechniki Warszawskiej, Warsaw 2000.
• [13] Tadeusiewicz R., Neural networks, Akademicka Oficyna Wydawnicza, Warsaw 1993.
• [14] Tadeusiewicz R., Lula P., Introduction to neural networks, StatSoft, Krakow 2001.
• [15] Wu J., Liu C: Investigation of engine fault diagnosis using discrete wavelet transform and neural network. Expert Systems with Applications, vol. 35 (2008).
• [16] Żółtowski B., Cempel C. (collective work), Machine diagnostics engineering, Biblioteka Problemów Eksploatacyjnych, Polskie Towarzystwo Diagnostyki Technicznej, Instytut Technologii Eksploatacji PIB Radom, Warszawa-Bydgoszcz-Radom 2004.