Wyniki wyszukiwania - BazTech

1

Effectiveness Analysis of Rolling Bearing Fault Detectors Based On Self-Organising Kohonen Neural Network – A Case Study of PMSM Drive

Jankowska Kamila, Ewert Pawel

Power Electronics and Drives

|

2021

|

Vol. 6 (41)

100--112

EN

Due to their many advantages, permanent magnet synchronous motors (PMSMs) are increasingly used in not only industrial drive systems but also electric and hybrid vehicle drives, aviation and other applications. Unfortunately, PMSMs are not free from damage that occurs during their operation. It is assumed that about 40% of the damage that occurs is related to rolling bearing damage. This article focuses on the use of Kohonen neural network (KNN) for rolling bearing damage detection in a PMSM drive system. The symptoms from the fast Fourier transform (FFT) and Envelope (ENV) Analysis of the mechanical vibration acceleration signal were analysed. The signal ENV was obtained by applying the Hilbert transform (HT). Two neural network functions are discussed: a detector and a classifier. The detector detected the damage and the classifier determined the type of damage to the rolling bearing (undamaged bearing, damaged rolling element, outer or inner race). The effectiveness of the analysed networks from the point of view of the applied signal processing method, map size, type of neighbourhood radius, distance function and the influence of input data normalisation are presented. The results are presented in the form of a confusion matrix, together with 2D and 3D maps of active neurons.

2

Kohonen Artificial Neural Networks and the IndVal Index as Supplementary Tools for the Quantitative Analysis of Palaeoecological Data

Płóciennik M., Kruk A., Michczyńska D. J., Birks J. B.

Geochronometria

|

2015

|

Vol. 42, no.1

189--201

EN

We applied two widely-used methods for data partitioning — constrained incremental sum-of-squares (CONISS) and Optimal Partitioning (OP) along with two supplementary methods, a Kohonen artificial neural network (self-organising map, SOM) and the indicator value (IndVal) index, for the quantitative analysis of subfossil chironomid assemblages from a palaeolake in Central Poland. The samples, taken from 79 core depths, were divided into 5–11 groups (five by SOM, seven by CONISS, 11 by OP), for which different numbers of indicator taxa were determined with the use of the IndVal index (18 for CONISS, 15 for SOM, 11 for OP). Only six indicator taxa were common to all three methods. The number of highly specific (p < 0.001) taxa was highest for SOM. Only the SOM analysis clearly reflected the rate of the changes in chironomid assemblages, which occurred rapidly in the Late Glacial (as a result of greater climate variability) and slowly in the Holocene (as a reflection of slow long-term changes in the local habitat, such as paludification). In summary, we recommend using SOM and the IndVal index in combination with CONISS and/or OP in order to detect different aspects of temporal variability in complex multivariate palaeoecological data.

3

Application of the spatial data mining module in analysis of mining ground deformation factors

Blachowski J., Stefaniak P.

Mining Science

|

2013

|

Vol. 20

5--17

EN

Spatial data mining methods for example those based on artificial neural networks (ANN) allow extraction of information from databases and detection of otherwise hidden patterns occurring in these data and in consequence acquiring new knowledge on the analysed phenomena or processes. One of these techniques is the multivariate statistical analysis, which facilitates identification of patterns otherwise difficult to observe. In the paper an attempt of applying self-organising maps (SOM) to explore and analyse spatial data related to studies of ground subsidence associated with underground mining has been described. The study has been carried out on a selected part of a former underground coal mining area in SW Poland with the aim to analyse the influence of particular ground deformation factors on the observed subsidence and the relationships between these factors. The research concerned the uppermost coal panels and the following factors: mining system, time of mining activity and inclination, thickness and depth below the ground of the exploited coal panels. It has been found that the exploratory spatial data analysis can be used to identify relationships in multidimensional data related to mining induced ground subsidence. The proposed approach may be found useful in identification of areas threatened by mining related subsidence and in creating scenarios of developing deformation zones and therefore aid spatial development of mining grounds.

PL

Metody eksploracji danych przestrzennych na przykład te oparte na sztucznych sieciach neuronowych (SSN) pozwalają na ekstrakcję informacji z baz danych i wykrywanie ukrytych relacji występujących w tych danych, a w konsekwencji pozyskiwanie nowej wiedzy o analizowanych zjawiskach i procesach. Jedną z grup technik eksploracji danych przestrzennych jest statystyczna analiza wielowymiarowa (ang. multivariate statistical analysis), która umożliwia identyfikację wzorców inaczej trudnych do wykrycia. W pracy przedstawiono próbę zastosowania metodyki samoorganizujacyh się map (SOM) w eksploracji i analizie danych przestrzennych na potrzeby wspomagania badań deformacji powierzchni spowodowanych podziemną działalnością górniczą. Badania przeprowadzono na wybranym fragmencie dawnego zagłębia węgla kamiennego w Polsce w celu analiz wpływu czynników deformacji górotworu na obserwowane osiadania powierzchni i związków między tymi czynnikami. Dotyczyły one dwóch górnych pokładów węgla i następujących czynników: system eksploatacji, okres eksploatacji, nachylenie, miąższość i głębokość eksploatowanych pokładów poniżej powierzchni terenu. W wyniku przeprowadzonych badań stwierdzono przydatność metody SOM do identyfikacji związków w danych wielowymiarowych dotyczących deformacji terenów górniczych Proponowane podejście może także znaleźć zastosowanie w identyfikacji obszarów zagrożonych osiadaniami oraz w budowaniu scenariuszy rozwoju stref deformacji, a przez to wspomaganie planowania zagospodarowania przestrzennego takich obszarów.

4

Klasyfikacja danych eksperymentalnych procesu scukrzania skrobi za pomocą sieci neuronowych typu SOM

Ciesielski K., Bryjak J., Zbiciński I.

Inżynieria Chemiczna i Procesowa

|

2001

|

T. 22, z. 3B

355--360

PL

Celem niniejszej pracy była klasyfikacja danych procesu scukrzania skrobi z użyciem samoorganizujących się sztucznych sieci neuronowych (SSN). Przetestowano szereg konfiguracji SSN uzyskując wyraźny podział danych procesowych na 3 klasy obiektów odpowiadających różnym mechanizmom reakcji kontrolujących proces.

EN

The aim of the work was the classification of the data of the process of starch saccharification by using the self-organising maps. Several configurations of the neural networks were tested obtaining an explicit division of process data into 3 classes of objects corresponding to different mechanisms of the reaction controlling the process.