Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2014

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: samoorganizująca się mapa cech

Sortuj według:

Ogranicz wyniki do:

Gearbox faults identification using vibration signal analysis and artificial intelligence methods

Zuber N., Bajrić R., Šostakov R.

Eksploatacja i Niezawodność

2014

Vol. 16, no. 1

61--65

Artykuł omawia zastosowanie sztucznych sieci neuronowych opartych na cechach oraz analizy drgań do celów automatycznej identyfikacji uszkodzeń skrzyni biegów. Prace eksperymentalne przeprowadzono na specjalnie zaprojektowanym stanowisku badawczym, a uzyskane wyniki zweryfikowano na przykładzie przekładni przenośnika taśmowego koparki wielonaczyniowej SRs 1300 wykorzystywanej w kopalni odkrywkowej. Cechy drgań w dziedzinie czasu i częstotliwości są wykorzystywane jako wejścia klasyfikatorów uszkodzeń. Kompletny zbiór proponowanych cech drgań wykorzystano jako wejścia samoorganizujących się map cech, a na podstawie wyników opracowano zredukowany zbiór cech drgań, które wykorzystano jako wejścia do nadzorowanych sztucznych sieci neuronowych. Zbadano dwa typowe uszkodzenia przekładni : zużycie przekładni oraz brakujące zęby przekładni. Uzyskane wyniki wskazują, że proponowany zbiór cech drgań umożliwia niezawodną identyfikację rozwijających się uszkodzeń w układach przenoszenia napędu z kołami zębatymi.

The paper addresses the implementation of feature based artificial neural networks and vibration analysis for the purpose of automated gearbox faults identification. Experimental work has been conducted on a specially designed test rig and the obtained results are validated on a belt conveyor gearbox from a mine strip bucket wheel excavator SRs 1300. Frequency and time domain vibration features are used as inputs to fault classifiers. A complete set of proposed vibration features are used as inputs for selforganized feature maps and based on the results a reduced set of vibration features are used as inputs for supervised artificial neural networks. Two typical gear failures were tested: worn gears and missing teeth. The achieved results show that proposed set of vibration features enables reliable identification of developing faults in power transmission systems with toothed gears.