Classification of fault diagnosis in a gear wheel by used probabilistic neural network, fast Fourier transform and principal component analysis

• Autorzy: Czech P.

Warianty tytułu

PL

Klasyfikacja uszkodzeń przekładni zębatych przy wykorzystaniu probabilistycznej sieci neuronowej, szybkiej transformaty Fouriera oraz analizy PCA

• Języki publikacji: EN

Abstrakty

EN

This paper presents the results of an experimental application of artificial neural network as a classifier of the degree of cracking of a tooth root in a gear wheel. The neural classifier was based on the artificial neural network of Probabilistic Neural Network type (PNN). The input data for the classifier was in a form of matrix composed of statistical measures, obtained from fast Fourier transform (FFT) and principal component analysis (PCA). The identified model of toothed gear transmission, operating in a circulating power system, served for generation of the teaching and testing set applied for the experiment.

PL

W artykule przedstawiono wyniki z eksperymentów, których celem było wykorzystanie sztucznej sieci neuronowej jako klasyfikatora stopnia pęknięcia u podstawy zębów kół przekładni. W badaniach użyto probabilistycznych sieci neuronowych (PNN). Dane wejściowe dla klasyfikatorów stanowiły miary statystyczne uzyskane z sygnałów drganiowych, przy wykorzystaniu szybkiej transformaty Fouriera (FFT) oraz analizy PCA. Zidentyfikowany model przekładni zębatej, pracującej w układzie napędowym, posłużył jako źródło danych uczących i testujących dla sztucznych sieci neuronowych.

Słowa kluczowe

EN

tooth gear; gear diagnosis; probbilistic neural network; Fourier transform; principial componenet analysis

PL

przekładnie zębate; diagnostyka uszkodzeń przekładni; probabilistyczne sieci neuronowe; transformata Fouriera; analiza PCA

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Transport Problems
• Rocznik: 2007
• Tom: T. 2, z. 4
• Strony: 99--106
• Opis fizyczny: bibliogr. 22 poz.

Twórcy

autor

Czech P.

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

Bibliografia

• 1. Adamczyk J., Cioch W., Krzyworzeka P.: Possibility of neural network classification in changeable work conditions. ZEM, z. 2, vol. 34, Radom, 1999.
• 2. Bartelmus W., Zimroz R.: Application of self-organised network for supporting condition evaluation of gearboxes. Artificial Intelligence Methods “AI-METH”, Gliwice, 2004.
• 3. Bartelmus W., Zimroz R., Batra H.: Gearbox vibration signal pre-processing and values choice for neural network training. Artificial Intelligence Methods “AI-METH”, Gliwice 2003.
• 4. Baydar N., Chen Q., Ball A., Kruger U.: Detection of incipient tooth defect in helical gears using multivariate statistics. Mechanical Systems and Signal Processing (2001) 15(2).
• 5. Czech P.: Toothed Gear Troubleshooting by Means of Artificial Intelligence. PhD thesis, Katowice, 2006.
• 6. Czech P., Łazarz B., Madej H.: Gearbox failures diagnosis by RBF neural network and FFT analysis. WIBROTECH, Warszawa, 2007.
• 7. Dąbrowski Z, Radkowski St., Wilk A.: Dynamics of toothed gears. Investigations and simulation in operationally integrated designing. ITE, Warszawa – Katowice - Radom, 2000.
• 8. Dybała J., Radkowski St.: Geometrical methods for diagnosis information selection. Diagnostyka Vol. 30, 2004, pp. 159-162.
• 9. Hu Y., Hwang J.: Handbook of neural network signal processing. CRC PRESS, USA, 2002.
• 10. Korbicz J., Kościelny J., Kowalczuk Z., Cholewa W.: Diagnostics of processes. Models. Artificial intelligence methods. Applications. Wydawnictwa Naukowo-Techniczne, Warszawa, 2002.
• 11. Łazarz B.: Identified dynamical model of toothed gear as the basis for design. ITE, Katowice–Radom, 2001.
• 12. Łazarz B., Czech P., Wilk A.: Application of neural networks for detection of gearbox faults. WCEAM CM 2007. Harrogate, United Kingdom, 2007.
• 13. Łazarz B., Czech P.: The application of neural networks for crack root of the tooth recognising. Diagnostyka Vol. 31, 2004, pp. 79-88.
• 14. Łazarz B., Madej H., Czech P.: Classification degree of tooth damage by SVM neural networks and spectrum analysis. Zeszyty Naukowe Politechniki Śląskiej s. Transport, z. 56, Gliwice 2004, pp. 139-146.
• 15. Madej H.: The application of residual signal to gearbox fault detection. Diagnostyka Vol. 26, 2002, pp. 46-52.
• 16. Madej H., Wilk A., Łazarz B.: The application of time-frequency analysis in diagnostics of local damages of toothed gears. 6thInternational Conference on Rotor Dynamics, IFToMM, Sydney 2002, pp. 706-713.
• 17. Nałęcz M., Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Neural networks. Biocybernetyka i Inżynieria Biomedyczna, tom 6, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2000.
• 18. Osowski St.: Neural networks for information processing. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2000.
• 19. Radkowski St.: Vibroacoustic diagnostics of low-energy failures. ITE, Warszawa-Radom, 2002.
• 20. Tadeusiewicz R.: Neural networks. Akademicka Oficyna Wydawnicza, Warszawa, 1993.
• 21. Wilk A., Łazarz B., Madej H.: Vibration Processing Techniques for Fault Detection in Gearboxes. Proceedings of DETC’2003. Chicago, Illinois, USA, 2003.
• 22. Wysogląd B.: Application of classification methods to identification of ball bearings faults.Artificial Intelligence Methods “AI–METH”, Gliwice 2003.