W artykule przedstawiono wyniki prób budowy aplikacji opartej na sieci neuronowej typu RBF, służącej do diagnozowania uszkodzenia zębów kół przekładni w postaci pęknięcia u podstawy zęba. W celu przeprowadzenia prawidłowego procesu uczenia sieci niezbędne jest pozyskanie z badanego obiektu licznego zbioru danych wejściowych dla sieci. Przeprowadzone badania oparto na danych otrzymanych ze zidentyfikowanego modelu przekładni zębatej pracującej w układzie napę- dowym, co umożliwiło pozyskanie niezbędnej liczby danych. W doświadczeniach sprawdzono przydatność różnych zestawów deskryptorów uszkodzeń zębów zbudowanych w oparciu o sygnały drganiowe przetworzone za pomocą metod czasowo-częstotliwościowych, tj. krótkoczasowa transformata Fouriera oraz transformata Wignera-Ville'a.
EN
The paper presents results of an experiment, aimed at application of RBF (Radial Basis Function) neural network for classification of the cracking degree of a tooth root. The basic problem involved in application of an artificial neural network, is to appropriately select the input data. It was decided to verify feasibility of one of the most popular, and currently most dynamically developing tools for analysing nonstationary signals - the Short Time Fourier Transform (STFT) and the Wigner-Ville Distribution (WVD). The later finds it applications for analysing transient process signals, which often the outcome of changeability of parameters and nonlinearities in time. An identified toothed gear model in the drive system has been used in the experiment. The model was used to simulate the effect of cracking degree at the tooth root on transverse acceleration of pinion shaft vibrations.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.