Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: drgania skrzyni biegów

Sortuj według:

Ogranicz wyniki do:

Gearbox faults identification using vibration signal analysis and artificial intelligence methods

100%

Zuber N. , Bajrić R. , Šostakov R.

Eksploatacja i Niezawodność

2014

tom 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.

Analiza zmian sygnału drgań skrzyni biegów w samochodzie pod wpływem zużycia

100%

Komorska I.

Autobusy : technika, eksploatacja, systemy transportowe

2016

tom R. 17, nr 6

924--928

W artykule omówiony został wpływ zużycia zębów skrzyni biegów w samochodzie na generowany sygnał przyspieszenia drgań mierzony na obudowie tej skrzyni. Sygnał został przetworzony trzema metodami: analizy widmowej FFT, filtracji cyfrowej oraz analizy falkowej. Następnie opracowano miary różnicujące stan przekładni dla każdej metody, które porównano ze sobą. Miary te mogą zostać użyte do diagnozowania stanu przekładni skrzyni biegów w sposób automatyczny.

Paper discussed the impact of tooth wear generated in the car gearbox on the acceleration vibration signal measured on the gearbox housing. The signal was processed by three methods: FFT spectral analysis, digital filtering and wavelet analysis. Then the measures to differentiate condition of gears for each method were developed. These measures can be used to diagnose the state of gears gearbox automatically.

Novelty detection for machinery condition monitoring

100%

Worden K. , Staszewski W.

Vibrations in Physical Systems

1998

tom Vol. 18

35--46

This paper is concerned with novelty analysis for fault detection in machinery. The detection procedure employed here uses novelty detection based on two approaches: an auto-associative neural network and kernel density estimation. The methodology is illustrated on the detection of local tooth faults in pseudo-experimental gearbox vibration data. The study shows the possibility of automatic signalling of failure. The method can be extended to any data type representing normal and abnormal conditions.