Analiza porównawcza wybranych klasyfikatorów w diagnozowaniu uszkodzeń przekładni zębatych

Niewielkie uszkodzenie przekładni zębatej może prowadzić do poważnej awarii urządzenia. Zatem, bardzo ważnym jest wykrycie takich defektów na ich początkowym etapie powstawania aby zapobiec dalszym uszkodzeniom. Praca przedstawia kilka wybranych teoretycznych narzędzi z obszaru sztucznej inteligencji zastosowanych do rozwiązania problemu diagnozowania uszkodzeń przekładni zębatych. Rozważanymi narzędziami są: perceptron wielowarstwowy, sieć neuronowa o radialnych funkcjach bazowych, drzewo decyzyjne, sieć bayesowska, maszyna wektorów podpierających oraz algorytm k najbliższych sąsiadów. Rezultaty wszystkich eksperymentów zostały otrzymane z wykorzystaniem rzeczywistych danych oraz aplikacji WEKA (ang. Waikato Environment for Knowledge Analysis) dostępnej na stronach Uniwersytetu Waikato w Nowej Zelandii.

Minor gear damage may lead to serious failures of the device. Thus, it is very important to detect such damage as early as possible to prevent further damage. This paper presents a selection of several theoretical tools from the field of artificial intelligence and their application in gear fault classification. The considered tools are: feed forward neural network (multilayer perception), neural network with radial basis functions, decision tree, Bayesian network, support vector machine, and k-nearest neighbor algorithm. All numerical experiments presented in the paper were performed with the use of real-world dataset and WEKA (Waikato Environment for Knowledge Analysis) software, available at the server of the University of Waikato.