Optimization of a nearest neighbors classifier for diagnosis of condition of rolling bearings

The paper concerns classification of technical condition state of rolling bearings. A methodology of optimization of a k-NN classifier with regard to selection of the symptom observation space has been proposed. The symptoms carrying the most information allowing identification of a class of technical condition were selected. The applied methodology enabled to develop a classifier which in the set of available data achieved the efficiency of 97.5%. In the set of considered symptoms the r.m.s. and peak values of vibration acceleration in the broad frequency band and the energy of acoustic emission pulses turned out to be the best for identification of arising fracture of a bearing outer ring.

Praca dotyczy klasyfikacji stanu technicznego łożysk tocznych. Zaproponowano metodykę optymalizacji klasyfikatora k-NN ze względu na dobór symptomowej przestrzeni obserwacji. Wyłoniono symptomy, które niosą najwięcej informacji pozwalającej na identyfikację klasy stanu technicznego. Zastosowana metodyka pozwoliła opracować klasyfikator, który na zbiorze dostępnych danych osiągał efektywność rzędu 97,5%. W zbiorze rozpatrywanych symptomów najlepszymi do identyfikacji powstającego pęknięcia pierścienia zewnętrznego łożyska okazały się wartość skuteczna i szczytowa przyspieszeń drgań w szerokim pasmie częstotliwości oraz energia impulsów emisji akustycznej.