Wyniki wyszukiwania - BazTech

1

The global and partial system condition assessment in multidimensional condition monitoring

Cempel C.

Diagnostyka

|

2009

|

nr 4(52)

23-34

EN

Machines have many faults which evolve during its life (operation). Observing some number of symptoms during the machine operation it is possible to capture needed fault oriented information. One of the methods to extract fault information from such symptom observation matrix (SOM) is to apply the singular value decomposition (SVD), obtaining in this way the generalized fault symptoms. The problem of this paper is to use the total damage symptom, being a sum of all generalized symptoms. Also we will use the first generalized symptom as the dominating fault symptom, to infer better on machine condition. There was some new software created for this purpose, and some cases of machine condition monitoring have been considered as examples. Considering these it seems to the author, that both generalized symptoms should be used for the inference on machine condition. They are complimentary each other in some way, and should be used together to increase the reliability of diagnostic decision.

PL

Maszyny mają wiele uszkodzeń, które ewoluują w trakcie ich pracy. Jeżeli obserwujemy pewną liczbę dobranych symptomów w trakcie życia obiektu możemy tą informację o uszkodzeniach wychwycić w zapisie symptomowej macierzy obserwacji (SOM). Ekstrakcja tej informacji uszkodzeniowej jest możliwa za pomocą procedury SVD, która wyodrębnia poszczególne uogólnione symptomy związane z niezależnymi uszkodzeniami w maszynie. Zazwyczaj mamy sytuacje jednego dominującego symptomu i nasze wnioskowanie diagnostyczne może być związane z tym dominującym symptomem, lub też z tzw. uszkodzeniem całkowitym jako suma wszystkich uogólnionych symptomów. Problemem pracy jest właśnie pytanie; czy wziąć pod uwagę jedynie dominujące uszkodzenie, czy też całkowite. Okazuje się z kilku przykładów, że większą pewność decyzji diagnostycznej uzyskamy jeżeli w weźmiemy pod uwagę oba symptomy, symptom całkowitego uszkodzenia jak i dominujący symptom.

2

Inferring the global and partial system condition by means of multidimensional condition monitoring

Cempel C.

Vibrations in Physical Systems

|

2008

|

Vol. 23

79--94

EN

Machines have many faults which evolve during its life (operation). If one observe some number of symptoms during the machine operation it is possible to capture needed fault oriented information. One of the methods to extract fault information from such symptom observation matrix (SOM) is to apply the singular value decomposition (SVD), obtaining in this way the generalized fault symptoms. The problem of this paper is to use the total damage symptom, being a sum of all generalized symptoms, and the first generalized symptom to infer better on machine condition. There was some new software created for this purpose, and some cases of machine condition monitoring have been considered as examples. Considering these it seems to the author, that both generalized symptoms should be used for the inference on machine condition. They are complimentary each other in some way, and should be use together to increase the reliability of diagnostic decision.

3

Forecasting the global and partial system condition by means of multidimensional condition monitoring methods

Cempel C.

Journal of Theoretical and Applied Mechanics

|

2008

|

Vol. 46 nr 4

777-797

EN

Machines have many faults which evolve during their operation. If one observes some number of symptoms during the machine operation, it is possible to capture fault oriented information. One of the methods to extract fault information from such a symptom observation matrix is to apply the Singular Value Decomposition (SVD), obtaining in this way the generalized fault symptoms. The problem of this paper is to find if the total damage symptom, being a sum of all generalized symptoms is the best way to infer on machine condition or is it better to use the first generalized symptom for the same purposes. There were some new software created for this purpose, and two cases of machine condition monitoring considered, but so far it is impossible to state that one of the inference methods is better. Moreover, it seems to the author that both inference methods are complimentary for each other, and should be used together to increase the reliability of diagnostic decision.

PL

Maszyny mają wiele uszkodzeń, które ewoluują podczas ich pracy (życia). Jeśli obserwujemy pewną liczbę symptomów stanu podczas pracy maszyny, to jesteśmy w stanie uchwycić informację uszkodzeniową zorientowaną, za pomocą tzw. symptomowej macierzy obserwacji (SOM). Jedną z metod dalszej ekstrakcji tej informacji diagnostycznej jest zastosowanie rozkładu według wartości szczególnych (SVD) do SOM. Problem postawiony w tej pracy polega na rozstrzygnięciu kwestii, czy w diagnostyce stanu używać uogólnionego symptomu całkowitego uszkodzenia maszyny, czy też posłużyć się tylko uogólnionym symptomem dominującego uszkodzenia. W tym celu stworzono dodatkowe oprogramowanie, dzięki któremu pokazano, że takie dychoto- miczne postawienie kwestii nie jest niewłaściwe. Najlepiej używać obydwa symptomy uogólnione, wtedy nasza wiedza o stanie maszyny jest pełniejsza.

4

Implementing multidimensional inference capability in vibration condition monitoring

Cempel C.

Diagnostyka

|

2005

|

Vol. 34

7--14

EN

Contemporary measuring technology in condition monitoring of critical systems allow us to form diagnostic symptom observation vector, with components different physically, and to extract fault information from such created symptom observation matrix. This is possible by using singular value decomposition algorithm and specially written program, which enable also to optimize the dimensionality of symptom observation vector, and to extract needed diagnostic information. We can use as the next, the concept of symptom reliability and symptom hazard rate to calculate the symptom limit value, for system maintenance planning and execution. It seems to be possible to perform these task in an autonomous way, and adding also the knowledge base and learning loop, creating in this way some first approach to Condition Inference Agent (CIA).

PL

Współczesne technologie pomiarowe w diagnostyce obiektów krytycznych pozwalają nam formułować bardzo bogaty wektor obserwacji diagnostycznej obiektu, ze składowymi o różnej naturze fizykalnej. Uformowana w ten sposób macierz symptomowej obserwacji zawiera informację o wielowymiarowej przestrzeni uszkodzeń rozwijającej się w czasie życia obiektu. Jak się okazuje, ekstrakcja tej informacji jest możliwa przez zastosowanie rozkładu względem wartości szczególnych (SVD). Możemy w ten sposób formułować uogólnione symptomy uszkodzeń, a uwzględniając koncepcję niezawodności symptomowej wyznaczyć wartość graniczną symptomu dla bezpiecznej eksploatacji. Możliwa jest też informacyjna ocena pierwotnie mierzonych symptomów i optymalizacja wektora obserwacji. W ten sposób można zwolna myśleć o projekcie samodzielnego agenta diagnostycznego - CIA.

5

Reduction of Redundancy of Symptom Observation Space in Systems Condition Monitoring

Cempel C.

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2001

|

vol. 49, nr 2

267-284

EN

It was shown in this paper that classical approach to the assessment of systems condition evolution can be much improved by special processing of observed symptoms of condition. When we have a large symptom data base, we can apply singular value decomposition (SVD) as the newest data mining procedure, to obtain a symptom and condition evolution model. By using SVD it is possible to have two additional independent fault discriminants: named here SD and SG, with high dynamics of evolution during system life. Moreover, we can add an additional column of system life count, as the first approximation of a logistic vector describing the unit life history. It is also possible to use the value of a pseudo - determinant of a symptom observation matrix, and correlation between this new discriminant and the symptom observation matrix to minimize the redundancy of symptom measuring space, and choose the best symptom for condition observation.