Toothed gear transmission diagnosis based on optimal features of vibration signal

• Autorzy: Jedliński Ł. , Jonak J.

Warianty tytułu

PL

Diagnozowanie przekładni zębatej w oparciu o optymalne cechy sygnału drgań

• Języki publikacji: EN

Abstrakty

EN

The article presents a method for reducing amount of discriminants required to evaluate technical condition of an object and a trial of evaluating it using artificial neural networks as a way of increasing certainty of the obtained results.

PL

W artykule przedstawiono metodę redukcji liczby dyskryminant wymaganych w ocenie stanu technicznego obiektu oraz próbę oceny stanu z użyciem sztucznych sieci neuronowych, jako środek zwiększenia pewności prognozy.

Słowa kluczowe

EN

bevel gear; feature selection; artificial neural network

PL

przekładnia stożkowa; selekcja cech; sztuczne sieci neuronowe

• Wydawca: Wydawnictwo Naukowe Akademii Morskiej w Szczecinie
• Czasopismo: Zeszyty Naukowe / Akademia Morska w Szczecinie
• Rocznik: 2011
• Tom: nr 26 (98)
• Strony: 33--37
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Jedliński Ł.

autor

Jonak J.

• Lublin University of Technology, Faculty of Marine Engineering, Department of Machine Design Politechnika Lubelska, Wydział Mechaniczny, Katedra Podstaw Konstrukcji Maszyn 20-618 Lublin, ul. Nadbystrzycka 36,

Bibliografia

• 1. BARTELMUS W., ZIMROZ R.: Identyfikacja optymalnych cech diagnostycznych wielostopniowych przekładni zębatych. Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej nr 113, Studia i materiały nr 31, 2005, 11–22.
• 2. SAMANTA B.: Gear fault detection using artificial neural networks and support vector machines with genetic algorithms. Mechanical Systems and Signal Processing 18/2004, 625–644.
• 3. ZHU F., GUAN S.: Feature selection for modular GA-based classification. Applied Soft Computing 4/2004, 381–393.
• 4. LEI Y., HE Z., ZI Y., HU Q.: Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs. Mechanical Systems and Signal Processing 21/2007, 2280–2294.
• 5. YANG B. S., KIM K.: Application of Dempster–Shafer theory in fault diagnosis of induction motors using vibration and current signals. Mechanical Systems and Signal Processing 20/2006, 403–420.
• 6. YANG B.S., HAN T., AN J.L.: ART–KOHONEN neural network for fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing 18/2004, 645–657.
• 7. StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0. www.statsoft.com.
• 8. DECKER H.: Crack detection for aerospace quality spur gears. NASA/TM-2002-211492.
• 9. JEDLIŃSKI Ł., KISIEL J., JONAK J.: Diagnosis the condition of gear transmission on the basis of periodic and residual components of the signal spectrum. Diagnostyka 49/2009, 57–61.
• 10. JONAK J., KISIEL J.: Analiza wartości wybranych dyskryminant diagnostycznych w kontekście oceny stanu technicznego przekładni głównej śmigłowca PZL-SW4. Monogra-fia: Metody komputerowe w modelowaniu i konstruowaniu maszyn. Redakcja Jonak J. Lubelskie Towarzystwo Naukowe Lublin 2009.
• 11. MADEJ H., CZECH P., KONIECZNY Ł.: Wykorzystanie dyskryminant bezwymiarowych w diagnozowaniu przekładni zębatych. Diagnostyka 28/2003, 17–22.
• 12. SAMUEL P., PINES D.: A review of vibration-based techniques for helicopter transmission diagnostics. Journal of Sound and Vibration 282/2005, 475–508.
• 13. WILK A., ŁAZARZ B., MADEJ H.: Diagnostyka wibroaku-styczna przekładni zębatych. V Krajowa Konferencja Diagnostyka Techniczna Urządzeń i Systemów 2003.