Application of artificial neural networks and principal component analysis on vibration signals for automated fault classification of roller element bearings

• Autorzy: Zuber N. , Bajrić R.

Identyfikatory

DOI

10.17531/ein.2016.2.19

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych oraz analizy głównych składowych sygnału drgań do automatycznej klasyfikacji uszkodzeń łożysk tocznych

• Języki publikacji: EN

Abstrakty

EN

The article addresses the implementation of feature based artificial neural networks and vibration analysis for automated roller element bearings faults identification purpose. Vibration features used as inputs for supervised artificial neural networks were chosen based on principal component analysis as one of the possible methods of data dimension reduction. Experimental work has been conducted on a specially designed test rig and on a drive of the Ganz port crane in port of Novi Sad, Serbia. Different scalar vibration features derived from time and frequency domain were used as inputs to fault classifiers. Several types of roller elements bearings faults, at different levels of loads were tested: discrete faults on inner and outer race and looseness. It is demonstrated that proposed set of input features enables reliable roller element bearing fault identification and better performance of applied artificial neural networks.

PL

Artykuł omawia zastosowanie sztucznych sieci neuronowych opartych na cechach oraz analizy drgań do celów automatycznej identyfikacji uszkodzeń łożysk tocznych. Cechy drgań mające posłużyć jako dane wejściowe do nadzorowanych sztucznych sieci neuronowych wybrano na podstawie analizy głównych składowych, która stanowi jedną z metod zmniejszania rozmiaru zbioru danych statystycznych. Badania prowadzono na specjalnie do tego celu zaprojektowanym stanowisku badawczym oraz na układzie napędu żurawia portowego firmy Ganz w porcie Novi Sad w Serbii. Jako wejścia klasyfikatorów uszkodzeń wykorzystano różne skalarne cechy drgań określone w dziedzinie czasu i częstotliwości. Badano kilka typów uszkodzeń łożysk tocznych przy różnych poziomach obciążenia: uszkodzenia dyskretne w obrębie pierścienia wewnętrznego i zewnętrznego łożyska oraz nadmierny luz. Wykazano, że proponowany zbiór cech wejściowych umożliwia niezawodną identyfikację uszkodzeń łożysk tocznych oraz zapewnia lepszą wydajność zastosowanych sztucznych sieci neuronowych.

Słowa kluczowe

EN

roller elements bearing; vibration; artificial neural network; principal components analysis

PL

łożysko toczne; drgania; sztuczna sieć neuronowa; analiza głównych składowych

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2016
• Tom: Vol. 18, no. 2
• Strony: 299--306
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Zuber N.

• Faculty of Technical Sciences University of Novi Sad Trg Dositeja Obradovica 6, Serbia

autor

Bajrić R.

• EPC Elektroprivreda BiH Coal Mines Kreka Mije Keroševica 1, Tuzla, Bosnia and Herzegovina

Bibliografia

• 1. Baillie D, Mathew J. Diagnosing Rolling Element Bearing Faults with Artificial Neural Networks. Acoustics Australia 1994; 22(3): 79-84.
• 2. Bartkowiak A , Zimroz R. Sparse PCA for gearbox diagnostics. Computer Science and Information Systems (FedCSIS) 2011: 25-31.
• 3. Bishop C. Neural Networks for Pattern Recognition. Oxford University Press, 1995.
• 4. Czech P. Classification of fault diagnosis in a gear wheel by used probabilistic neural network, fast Fourier transform and principal component analysis. Transport Problems: an International Scientific Journal 2007: 99-106.
• 5. Georgijevic M et all. The application of information technologies in the ports of Serbia from the monitoring of machines to the networked system with the EU environment. Project TR35036 financed by the Serbian Ministry of Science and Technological Development of Republic of Serbia, 2011-2015.
• 6. Hoon S, Worden K, Farrar C. Novelty Detection under Changing Environmental Conditions. SPIE's 8th Annual International Symposium on Smart Structures and Materials, Newport Beach, CA 2001.
• 7. Jyh-Shing R J, Chuen-Tsai S, Mizutani E. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. MATLAB curriculum series. Prentice Hall, 1997.
• 8. Lazarz B, Wojnar G, Czech P. Early fault detection of toothed gear in exploitation conditions. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2011; 1(49): 68-77.
• 9. Malhi A, Gao R X. PCA-based feature selection scheme for machine defect classification. Instrumentation and Measurement, IEEE Transactions 2004; 53 (6): 1517 - 1525.
• 10. Sick B. On-Line And Indirect Tool Wear Monitoring In Turning With Artificial Neural Networks: A Review Of More Than A Decade Of Research. Mechanical Systems and Signal Processing 2002; 16(4): 487-546, http://dx.doi.org/10.1006/mssp.2001.1460.
• 11. Tranter J. Mobius Institute Vibration training manual - category III. Mobius Institute, 2009.
• 12. Veelenturf L. Analysis and Applications of Artificial Neural Networks. Prentice Hall, 1995.
• 13. Worden K, Sohn H, Farrar C. R. Novelty Detection in a Changing Environment: Regression and Interpolation Approaches. Journal of Sound and Vibration 2002; 258 (4): 741-761, http://dx.doi.org/10.1006/jsvi.2002.5148.
• 14. Zhong B. Developments in intelligent condition monitoring and diagnostics. System Integrity and Maintenance, 2nd Asia-Pacific Conference (ACSIM2000) Brisbane Australia 2000; 1-6.
• 15. Zimroz R, Bartkowiak A. Investigation on Spectral Structure of Gearbox Vibration Signals by Principal Component Analysis for Condition Monitoring Purposes. Journal of Physics 2011; Conference Series 305: article number 012075.
• 16. Zuber N. Automation of rotating machinery failures by the means of vibration analysis. PhD Thesis, Faculty of Technical Sciences - University of Novi Sad, 2010.
• 17. Zuber N, Ličen H, Bajrić R. An innovative approach to the condition monitoring of excavators in open pits mines, Technics Technologies Education Management - TTEM 2010; 5(3): 841-847.
• 18. Zuber N, Cvetkovic D, Bajric R. Multiple fault identification using vibration signal analysis and artificial intelligence methods. Acoustics & Vibration of Mechanical Structures 2013; 430: 63-69, http://dx.doi.org/10.4028/www.scientific.net/amm.430.63.
• 19. Zuber N, Cvetkovic D. Rolling element bearings fault identification in rotating machines, existing methods of vibration signal processing techniques and practical considerations. Acoustics & Vibration of Mechanical Structures 2013; 430: 70-77, http://dx.doi.org/10.4028/www.scientific.net/amm.430.70.
• 20. Zuber N, Bajric R, Sostakov R. Gearbox faults identification using vibration signal analysis and artificial intelligence methods. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2014; 16 (1): 61-65.