Niewielkie uszkodzenie łożysk tocznych może prowadzić do poważnej awarii urządzenia. Zatem, bardzo ważnym jest wykrycie takich defektów na ich początkowym etapie powstawania aby zapobiec dalszym uszkodzeniom. W pracy przedstawiono kilka wybranych teoretycznych narzędzi z obszaru sztucznej inteligencji zastosowanych do rozwiązania problemu diagnozowania uszkodzeń łożysk tocznych. Rozważanymi narzędziami są: algorytm k najbliższych sąsiadów, drzewo decyzyjne, maszyna wektorów podpierających, perceptron wielowarstwowy, sieć bayesowska oraz sieć neuronowa o radialnych funkcjach bazowych. Rezultaty wszystkich eksperymentów zostały otrzymane z wykorzystaniem rzeczywistych danych oraz aplikacji WEKA (ang. Waikato Environment for Knowledge Analysis) dostępnej na stronach Uniwersytetu Waikato w Nowej Zelandii.
EN
Minor roller bearing damage may lead to serious failures of the device. Thus, it is very important to detect such damage as early as possible to prevent further damage. This paper presents a selection of several theoretical tools from the field of artificial intelligence and their application in roller bearings fault classification. The considered tools are: k-nearest neighbor algorithm, decision tree, support vector machine, feed forward neural network (multilayer perceptron), Bayesian network and neural network with radial basis functions. All numerical experiments presented in the paper were performed with the use of real - world dataset and WEKA (Waikato Environment for Knowledge Analysis) software, available at the server of the University of Waikato.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.