Wyniki wyszukiwania - Biblioteka Nauki

1

Computer-aided analysis of acoustic emission signals accompanying methyl polymetacrylate degradation in a strong electric field

100%

Dobrzycki A. , Opydo W. , Dobroszewski R.

|

2006

|

tom No 52

201-210

EN

The paper presents the results of frequency and time-frequency analyses of the acoustic emission signals arising during degradation of methyl polymetacrylate in a strong electric field. The frequency analysis was carried out with the use of Fourier Fast Transform method (FFT), while the time-frequency analysis - with the use of Short-Term Fourier Transform (STFT). The MatLafa software package was used for purposes of analyzing. It was found that the acoustic emission signals measured this way include some predominant frequencies. Results of the studies have shown that in the considered frequency range of the acoustic emission signals (0÷96kHz) the part of the signals of frequencies CH-15kHz and 43÷53kHz predominated.

2

An attempt to appraise the progress of methyl polymethacrylate degradation induced by a strong electric field on the grounds of analysis of acoustic signal emission

100%

Dobrzycki A. , Opydo W.

|

tom No 56

197-203

EN

The paper presents the research of methyl polymethacrylate treeing in a strong electric field. The treeing rate and the signals of acoustic emission have been subject to the research. The counting rate of the acoustic emission, the rate of acoustic emission events, and rms signal have been used as parameters of acoustic emission signals. It was found that high increase in the rate of methyl polymethacrylate treeing is accompanied by the growth of counting and events rates of emitted acoustic signals. On the other hand, no correlation between the values of the above mentioned descriptors and the rms signal values has been observed in measured acoustic signals.

3

The influence of pressboard barriers on acoustic emission signal generated by partial discharges in a power transformer

100%

Sikorski W. , Staniek P. , Siodła K.

|

tom No 56

155-164

EN

The paper presents the results of investigation how pressboard barriers influence on acoustic emission signals parameters generated by partial discharges occurring in a power transformer. Additionally, the discussion on possibilities of detection of strongly attenuated (noised) discharges registered in industrial conditions with the use of acoustic emission method was conducted.

4

Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning

63%

Li X. , Li J. , He D. , Qu Y.

|

tom Vol. 21, no. 3

403--410

EN

Gear pitting fault is one of the most common faults in mechanical transmission. Acoustic emission (AE) signals have been effective for gear fault detection because they are less affected by ambient noise than traditional vibration signals. To overcome the problem of low gear pitting fault recognition rate using AE signals and convolutional neural networks, this paper proposes a new method named augmented convolution sparse autoencoder (ACSAE) for gear pitting fault diagnosis using raw AE signals. First, the proposed method combines sparse autoencoder and one-dimensional convolutional neural networks for unsupervised learning and then uses the reinforcement theory to enhance the adaptability and robustness of the network. The ACSAE method can automatically extract fault features directly from the original AE signals without time and frequency domain conversion of the AE signals. AE signals collected from gear test experiments are used to validate the ACSAE method. The analysis result of the gear pitting fault test shows that the proposed method can effectively performing recognition of the gear pitting faults, and the recognition rate reaches above 98%. The comparative analysis shows that in comparison with fully-connected neural networks, convolutional neural networks, and recurrent neural networks, the ACSAE method has achieved a better diagnostic accuracy for gear fitting faults.

PL

Pitting kół zębatych stanowi jedno z najczęstszych uszkodzeń przekładni mechanicznych. Do wykrywania takich uszkodzeń stosuje się sygnały emisji akustycznej (AE), które, ze względu na niższą wrażliwość na hałas otoczenia, stanowią skuteczniejsze narzędzie diagnostyczne niż tradycyjne sygnały wibracyjne. Wykrywalność zużycia guzełkowatego (pittingu) kół zębatych przy użyciu sygnałów AE i splotowych sieci neuronowych jest jednak niska. Aby rozwiązać ten problem, w niniejszym artykule zaproponowano nową metodę diagnozowania uszkodzeń kół zębatych za pomocą surowych sygnałów AE, którą nazwano augmented convolution sparse autoencoder (konwolucją rozszerzoną z wykorzystaniem autoenkodera rzadkiego, ACSAE). Jest to metoda samouczenia jednowymiarowych splotowych sieci neuronowych realizowanego za pomocą autoenkodera rzadkiego. Metoda ta wykorzystuje teorię wzmocnienia do zwiększania adaptacyjności i odporności sieci. Metoda ACSAE pozwala na automatyczne wyodrębnianie cech degradacji bezpośrednio z oryginalnych sygnałów AE bez konieczności ich konwersji do domeny czasu i częstotliwości. Walidację metody przeprowadzono na podstawie sygnałów AE otrzymanych w badaniach kół zębatych. Analiza wyników badań pittingu kół zębatych wskazuje, że proponowana metoda pozwala na skuteczną detekcję tego typu uszkodzeń, przy wskaźniku wykrywalności powyżej 98%. Analiza porównawcza pokazuje, że metoda ACSAE cechuje się większą trafnością diagnostyczną w wykrywaniu błędów montażowych kół zębatych w porównaniu z sieciami neuronowymi w pełni połączonymi, splotowymi i rekurencyjnymi.

5

Zastosowanie Zoptymalizowanego Algorytmu Multikomparacyjnego do klasyfikacji sygnałów emisji akustycznej generowanej przez wyładowania niezupełne, uszeregowane w zmodyfikowanej bazie danych

63%

Kurtasz P. , Boczar T.

|

tom R. 14, nr 12

73-78

PL

W artykule scharakteryzowano możliwości zastosowania Zoptymalizowanego Algorytmu Multikomparacyjnego (ZAM) do klasyfikacji sygnałów emisji akustycznej (EA) generowanej przez podstawowe formy (klasy) wyładowań niezupełnych (WNZ), jakie mogą występować w izolacji papierowo-olejowej transformatorów elektroenergetycznych. W algorytmie ZAM zastosowano deskryptor czasowo-częstotliwościowy z optymalnie dobranymi parametrami w dziedzinie czasu i częstotliwości. Za pomocą tak skonstruowanego algorytmu przebadano bazę wiedzy poszerzoną o dodatkową klasę WNZ. Dotychczas wykorzystywana baza wiedzy, zawierająca osiem klas przebiegów EA, została opracowana w Katedrze Wysokich Napięć Politechniki Opolskiej. Stanowiła podstawę do testowania algorytmu ZAM, uzupełniono ją o dodatkową formę WNZ modelowanych w iskierniku ostrze-płyta umieszczonym w oleju izolacyjnym ze swobodnie przemieszczającymi się pęcherzykami gazowymi. Układ wyładowczy reprezentujący tę klasę, podobnie jak wszystkie pozostałe układy został zamodelowany w oleju elektroizolacyjnym. W artykule szczególną uwagę poświęcono omówieniu zasady działania zastosowanego algorytmu oraz wynikom skuteczności rozpoznawania podstawowych form WNZ, uzyskiwanym przy jego użyciu. Skuteczność rozpoznawania form WNZ została wyznaczona dla każdej z klas z osobna i całościowo dla bazy danych. Całkowita skuteczność klasyfikacji (dla całej bazy danych) wyniosła 95,95 %.

EN

In the paper application is described of the optimized multi-comparational and classic multi-comparational algorithms for classification of acoustic emission (AE) signals generated by the basic forms of partial discharges (PDs) which can occur in of paper-oil insulation systems of power transformers. This is a new implementation of the classical multi-comparational algorithm. The optimized multi-comparational algorithm was especially designed for needs on classification of the AE methods and it is result of research works performed by authors of this paper. Implementation of a time-frequency descriptor into the optimized multi-computational algorithm has been proposed. It was demonstrated that both algorithms indicate high, over 95,95 %, classification efficiency.