Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Condition monitoring" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 16
Tytuł:
Camera-based PHM method in rotating machinery equipment micro-action scenarios
Autorzy:
Junfeng, An
Liu, Jiqiang
Zhen, Hao
Mengmeng, Lu
Powiązania:
https://bibliotekanauki.pl/articles/24200809.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
deep learning
condition monitoring
Rmcad
anomaly detection
defect early warning
Opis:
The health operation of rotating machinery guarantees safety of the project. To ensure a good operating environment, current subway equipment inspections frequency is high, resulting in a waste of resources. Small abnormal changes in mechanical equipment will also contribute to the development of mechanical component defects, which will ultimately lead to the failure of the equipment. Therefore, mechanical equipment defects should be detected and diagnosed as soon as possible. Through the use of graphic processing and deep learning, this paper proposes Rmcad Framework with three aspects: condition monitoring, anomaly detection, defect early warning. Using a network algorithm, this paper proposes an improved model that has the characteristics of two-stream and multi-loss functions, which improves the accuracy of detection. Additionally, a defect warning method is constructed to improve the perception ability of equipment before failure occurs and reduce the frequency of frequent maintenance by detecting anomalies according to the degree of opening.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 1; art. no. 10
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature spatial distribution alignment enhanced domain adaptive method for tool condition monitoring
Autorzy:
Hei, Zhendong
Sun, Bintao
Wang, Gaonghai
Lou, Yongjian
Yuqing, Zhou
Powiązania:
https://bibliotekanauki.pl/articles/28328268.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
condition monitoring
Transfer learning
correlation alignment
joint maximum mean difference
feature extractor
Opis:
Transfer learning (TL) has been successfully implemented in tool condition monitoring (TCM) to address the lack of labeled data in real industrial scenarios. In current TL models, the domain offset in the joint distribution of input feature and output label still exists after the feature distribution of the two domains is aligned, resulting in performance degradation. A multiple feature spatial distribution alignment (MSDA) method is proposed, Including Correlation alignment for deep domain adaptation (DeepCORAL) and Joint maximum mean difference (JMMD). Deep CORAL is employed to learn nonlinear transformations, align source and target domains at the feature level through the second-order statistical correlations. JMMD is applied to improve domain alignmentby aligning the joint distribution of input features and output labels. ResNet18 combining with bidirectional short-term memory network and attention mechanism is developed to extract the invariant features. TCM experiments with four transfer tasks were conducted and demonstrated the effectiveness of the proposed method.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 171750
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Time-frequency Representation -enhanced Transfer Learning for Tool Condition Monitoring during milling of Inconel 718
Autorzy:
Zhou, Yuqing
Sun, Wei
Ye, Canyang
Peng, Bihui
Fang, Xu
Lin, Canyu
Wang, Gonghai
Kumar, Anil
Sun, Weifang
Powiązania:
https://bibliotekanauki.pl/articles/24200823.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
tool condition monitoring
time-frequency analysis
Markov Transition Field
transfer learning
Opis:
Accurate tool condition monitoring (TCM) is important for the development and upgrading of the manufacturing industry. Recently, machine-learning (ML) models have been widely used in the field of TCM with many favorable results. Nevertheless, in the actual industrial scenario, only a few samples are available for model training due to the cost of experiments, which significantly affects the performance of ML models. A time-series dimension expansion and transfer learning (TL) method is developed to boost the performance of TCM for small samples. First, a time-frequency Markov transition field (TFMTF) is proposed to encode the cutting force signal in the cutting process to two-dimensional images. Then, a modified TL network is established to learn and classify tool conditions under small samples. The performance of the proposed TFMTF-TL method is demonstrated by the benchmark PHM 2010 TCM dataset. The results show the proposed method effectively obtains superior classification accuracies for small samples and outperforms other four benchmark methods.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 2; art. no. 165926
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Integrating advanced measurement and signal processing for reliability decision-making
Autorzy:
Kozłowski, Edward
Antosz, Katarzyna
Mazurkiewicz, Dariusz
Sęp, Jarosław
Żabiński, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/2038057.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
force and torques measurement
condition monitoring
cutting tool
remaining useful life
prediction
Opis:
An advanced milling machine multi-sensor measurement system as a condition monitoring tool was presented. It was assumed that the data collected from the 3-axis force and torque sensor can be used as a new approach and an alternative to the typical vibration signal based health monitoring and remaining useful life prediction (RUL), when integrated with machine learning techniques that are regarded as a powerful solution. Measurement system integration with the proposed signal processing method based on decision trees with different types and levels of wavelets for the cutter reliability decision-making process was presented together with proving their ability to trace the tool condition accurately. Prediction errors achieved with the use of different signal sources and data processing methods were presented and compared.
Źródło:
Eksploatacja i Niezawodność; 2021, 23, 4; 777-787
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
An integrated econometric model for bus replacement and determination of reserve fleet size based on predictive maintenance
Zintegrowany ekonometryczny model do modelowania wymiany taboru autobusowego oraz określania wielkości floty rezerwowej w oparciu o konserwację predykcyjną
Autorzy:
Raposo, H.
Farinha, J. T.
Ferreira, L.
Galar, D.
Powiązania:
https://bibliotekanauki.pl/articles/300844.pdf
Data publikacji:
2017
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
monitorowanie stanu
koszty cyklu życia
wymiana
flota rezerwowa
condition monitoring
LCC
replacement
reserve fleet
Opis:
Polityka konserwacji wpływa na gotowość sprzętu, a tym samym na wydajność i konkurencyjność przedsiębiorstwa. Ważne jest optymalizowanie kosztów cyklu życia (LCC) aktywów, w tym przypadku taboru autobusowego. W artykule przedstawiono metodę utrzymania ruchu polegającą na predykcyjnym monitorowaniu stanu w oparciu o analizę oleju silnikowego w celu oceny potencjalnego wpływu tej zmiennej na gotowość autobusów. Podejście to ma praktyczne konsekwencje jeśli chodzi o koszty utrzymania w trakcie eksploatacji autobusu, a także pozwala na ustalenie najlepszego czasu na wymianę pojazdów taboru. W pracy przedstawiono przegląd ekonomicznych modeli wymiany oraz opracowano model globalny integrujący te modele, ze szczególnym uwzględnieniem gotowości oraz jej zależności od konserwacji oraz kosztów utrzymania ruchu. Czynniki te pomagają określić wielkość floty rezerwowej i zapewnić gotowość taboru.
Maintenance policies influence equipment availability and, thus, they affect a company’s capacity for productivity and competitiveness. It is important to optimize the Life Cycle Cost (LCC) of assets, in this case, passenger bus fleets. The paper presents a predictive condition monitoring maintenance approach based on engine oil analysis, to assess the potential impact of this variable on the availability of buses. The approach has implications on maintenance costs during the life of a bus and, consequently, on the determination of the best time for bus replacement. The paper provides an overview of economic replacement models through a global model, with an emphasis on availability and its dependence on maintenance and maintenance costs. These factors help to determine the size of the reserve fleet and guarantee availability.
Źródło:
Eksploatacja i Niezawodność; 2017, 19, 3; 358-368
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Vibroacoustic study of powertrains operated in changing conditions by means of order tracking analysis
Diagnostyka wibroakustyczna zespołów napędowych pracujących w zmiennych warunkach z wykorzystaniem analizy rzędów
Autorzy:
Pawlik, P.
Lepiarczyk, D.
Dudek, R.
Ottewill, J. R.
Rzeszuciński, P.
Wójcik, M.
Tkaczyk, A.
Powiązania:
https://bibliotekanauki.pl/articles/301095.pdf
Data publikacji:
2016
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
order analysis
vibroacoustics
diagnostics
condition monitoring
analiza rzędów
wibroakustyka
diagnostyka
monitorowanie stanu technicznego
Opis:
Very often, simple signal metrics, such as Root Mean Square, Kurtosis or Crest Factor are used to characterize the operating condition of industrial machinery. Variations in the values of these metrics are often thought to be indicative of the presence of a developing fault. However, it may also be observed that often these parameters are also dependent on the operating conditions of the machine. This paper proposes a method for the assessment of the technical condition of powertrain components taking into consideration changes to system loading and rotational speed. The method allows diagnostic parameters to be determined which are independent of the speed or the loading of the power train. This decoupling allows robust condition indicators, independent of operating state, to be determined. The method proposed is based on the order analysis of vibroacoustic signals, properly scaled in terms of amplitude for the loading and rotational speed. A diagnostics experiment was carried out using a laboratory test facility comprised of a motor, a parallel shaft gearbox and a worm gear. Shaft misalignment was simulated for various components at various rotational speeds of the input shaft and different system load conditions.
Do określenia stanu technicznego maszyn przemysłowych bardzo często używane są podstawowe parametry sygnału, takie jak wartość skuteczna (RMS), kurtoza czy współczynnik szczytu. Zmiana tych parametrów w większości przypadków traktowana jest jako zmiana stanu technicznego maszyn. Jednak w niektórych przypadkach może być ona związana również ze zmianą warunków pracy maszyny. W artykule zaproponowano metodę oceny stanu technicznego elementów napędu uwzględniającą zmianę obciążenia układu oraz zmianę prędkości obrotowej. Metoda ta umożliwia wyznaczenie parametrów diagnostycznych, które są niezależne od zmiany prędkości oraz obciążenia układu napędowego. Pozwala to na wyznaczenie wartości krytycznych tych parametrów niezależnych od warunków pracy maszyny. Zaproponowana metoda oparta jest na analizie rzędów sygnału wibroakustycznego odpowiednio przeskalowanej amplitudowo ze względu na obciążenie oraz prędkość obrotową.W celu weryfikacji metody przeprowadzono eksperyment diagnostyczny na stanowisku laboratoryjnym, składającym się z silnika, przekładni walcowej oraz przekładni ślimakowej. Zasymulowana została niewspółosiowość wałów dla różnych podzespołów dla różnych prędkości obrotowych wału wejściowego i różnych obciążeń układu.
Źródło:
Eksploatacja i Niezawodność; 2016, 18, 4; 606-612
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Generative modelling of vibration signals in machine maintenance
Autorzy:
Puchalski, Andrzej Adam
Komorska, Iwona
Powiązania:
https://bibliotekanauki.pl/articles/28086927.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
time-frequency analysis
condition monitoring
anomalies detection
deep generative models
variational autoencoder
data distribution
Opis:
The exponential development of technologies for the acquisition, collection, and processing of data from real-world objects is creating new perspectives in the field of machine maintenance. The Industrial Internet of Things is the source of a huge collection of measurement data. The performance of classification or regression algorithms needs to take into account the random nature of the process being modelled and any incomplete observability, especially in terms of failure states. The article highlights the practical possibilities of using generative artificial intelligence and deep machine learning systems to create synthetic measurement observations in monitoring the vibrations of rotating machinery to improve unbalanced databases. Variational AutoencoderVAE generative models with latent variables in the form of high-level input features of time-frequency spectra were studied. The mapping and generation algorithm was optimised and its effectiveness was tested in the practical solution of the task of diagnosing the three operating states of a demonstration gearbox.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 173488
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Predicting motor oil condition using artificial neural networks and principal component analysis
Prognozowanie stanu oleju silnikowego za pomocą sztucznych sieci neuronowych i analizy składowych głównych
Autorzy:
Rodrigues, Joao
Costa, Ines
Farinha, J. Torres
Mendes, Mateus
Margalho, Luis
Powiązania:
https://bibliotekanauki.pl/articles/1841873.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
condition monitoring
oil analysis
multivariate analysis
predictive maintenance
monitorowanie stanu
analiza oleju
analiza wielowymiarowa
konserwacja predykcyjna
Opis:
The safety and performance of engines such as Diesel, gas or even wind turbines depends on the quality and condition of the lubricant oil. Assessment of engine oil condition is done based on more than twenty variables that have, individually, variations that depend on the engines’ behaviour, type and other factors. The present paper describes a model to automatically classify the oil condition, using Artificial Neural Networks and Principal Component Analysis. The study was done using data obtained from two passenger bus companies in a country of Southern Europe. The results show the importance of each variable monitored for determining the ideal time to change oil. In many cases, it may be possible to enlarge intervals between maintenance interventions, while in other cases the oil passed the ideal change point.
Bezpieczeństwo i wydajność silników takich, jak silniki Diesla czy gazowe, a nawet turbiny wiatrowe, zależą od jakości i stanu oleju smarowego. Stanu oleju silnikowego ocenia się na podstawie ponad dwudziestu zmiennych, z których każda ulega wahaniom w zależności od typu i zachowania silnika oraz innych czynników. W niniejszym artykule opisano model, który pozwala na automatyczną klasyfikację stanu oleju, z wykorzystaniem sztucznych sieci neuronowych i analizy składowych głównych. Badania przeprowadzono na podstawie danych uzyskanych od dwóch przewoźników pasażerskich działających na terenie jednego z krajów położonych na południu Europy. Wyniki pokazują, że każda z monitorowanych zmiennych ma znaczenie dla określenia idealnego czasu na wymianę oleju. Podczas gdy w wielu przypadkach w badanych przedsiębiorstwach możliwe było zwiększenie odstępów czasowych między działaniami konserwacyjnymi, w innych, idealny moment wymiany oleju został przekroczony.
Źródło:
Eksploatacja i Niezawodność; 2020, 22, 3; 440-448
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Podejmowanie decyzji eksploatacyjnych w oparciu o fuzję różnego typu danych
Maintenance Decision Making based on different types of data fusion
Autorzy:
Galar, D.
Gustafson, A.
Tormos, B.
Berges, L.
Powiązania:
https://bibliotekanauki.pl/articles/301602.pdf
Data publikacji:
2012
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
eksploracja danych
pozostały okres użytkowania (RUL)
fuzja danych
monitorowanie stanu
CMMS
data mining
RUL
data fusion
condition monitoring
Opis:
Over the last decade, system integration is applied more as it allows organizations to streamline business processes. A recent development in the asset engineering management is to leverage the investment already made in process control systems. This allows the operations, maintenance, and process control teams to monitor and determine new alarm level based on the physical condition data of the critical machines. Condition-based maintenance (CBM) is a maintenance philosophy based on this massive data collection, wherein equipment repair or replacement decisions depend on the current and projected future health of the equipment. Since, past research has been dominated by condition monitoring techniques for specific applications; the maintenance community lacks a generic CBM implementation method based on data mining of such vast amount of collected data. The methodology would be relevant across different domains. It is necessary to integrate Condition Monitoring (CM) data with management data from CMMS (Computer Maintenance Management Systems) which contains information, such as: component failures, failure information related data, servicing or repairs, and inventory control and so on. These systems are the core of traditional scheduled maintenance practices and rely on bulk observations from historical data to make modifications to regulated maintenance actions. The most obvious obstacle in the integration of CMMS, process and CM data is the disparate nature of the data types involved, and there have benn several attempts to remedy this problem. Although, there have been many recent efforts to collect and maintain large repositories of these types of data, there have been relatively few studies to identify the ways these to datasets could be related. This paper attempts to fulfill that need by proposing a combined data mining-based methodology for CBM considering CM data and Historical Maintenance Management data. It shows a system integration of physical and management data that also supports business intelligence and data mining where data sets can be combined in non-traditional ways.
W ostatniej dekadzie coraz częściej stosuje się integrację systemów, która pozwala przedsiębiorstwom zwiększać wydajność procesów biznesowych. Nowością w zarządzaniu infrastrukturą techniczną jest zwiększanie efektywności już poczynionych inwestycji w systemy kontroli procesów. Pozwala to zespołom do spraw operacyjnych, utrzymania ruchu oraz kontroli procesów monitorować i ustalać nowe poziomy alarmowe na podstawie danych o stanie fizycznym maszyn krytycznych. Utrzymanie urządzeń zależne od ich bieżącego stanu technicznego (condition-based maintenance, CBM) to filozofia utrzymania ruchu opierająca się na tym masowym poborze danych, wedle której decyzje dotyczące naprawy lub wymiany sprzętu zależą od jego obecnego oraz przewidywanego przyszłego stanu technicznego. Ponieważ dotychczasowe badania były zdominowane przez problem technik monitorowania stanu dla konkretnych aplikacji, nie opracowano ogólnej metody wdrażania CBM opartej na eksploracji (data mining ) owych olbrzymich ilości zebranych danych, która miałaby zastosowanie w różnych domenach. Konieczna jest integracja danych z monitorowania stanu (condition monitoring, CM) z danymi dotyczącymi zarządzania pochodzącymi ze skomputeryzowanych systemów zarządzania utrzymaniem ruchu (CMMS), które zawierają informacje na temat uszkodzeń elementów składowych, dane związane z uszkodzeniami, a także informacje dotyczące obsługi lub napraw czy sterowania zapasami. Systemy te stanowią podstawę tradycyjnych praktyk obsługi planowej, a zasadzają się na całościowych obserwacjach dokonywanych na podstawie danych eksploatacyjnych, które pozwalają modyfikować regulowane działania obsługowe. Najbardziej oczywistą przeszkodą w integracji danych CMMS, danych procesowych oraz danych z monitorowania stanu jest rozbieżność ich natury. Dotychczas podjęto jedynie kilka prób rozwiązania tego problemu. Chociaż ostatnio wiele wysiłku włożono w gromadzenie i utrzymanie dużych zasobów tego typu danych, istnieje stosunkowo niewiele badań na temat możliwych sposobów powiązania owych zestawów danych. W prezentowanej pracy poczyniono próbę wypełnienia tej luki proponując metodologię łączoną opartą na eksploracji danych dla celów CBM, która bierze pod uwagę dane z monitorowania stanu i eksploatacyjne dane z zarządzania ruchem. W pracy przedstawiono integrację systemową danych fizycznych i danych z zarządzania, która wspiera także analitykę biznesową (business intelligence) oraz eksplorację danych, gdzie zestawy danych można łączyć w sposób nietradycyjny.
Źródło:
Eksploatacja i Niezawodność; 2012, 14, 2; 135-144
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Evaluation of engine oil foaming tendency under urban driving conditions
Ocena zmian charakterystyk pienienia olejów silnikowych użytkowanych w warunkach jazdy miejskiej
Autorzy:
Wolak, A.
Zając, G.
Kumbár, W.
Powiązania:
https://bibliotekanauki.pl/articles/301260.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
degradation
engine oil
foam tendency
foam stability
oil condition monitoring
degradacja
olej silnikowy
skłonność do pienienia
trwałość piany
monitorowanie jakości oleju
Opis:
The purpose of the article was to analyze the foaming tendency of engine oils used under excessive operating conditions. To achieve this end, foaming characteristics were determined for 23 oil samples in three measurement sequences. Foaming tendency was measured using the ASTM D 892 standard method, which consists in assessing foaming tendency of the liquid and foam stability. The cars used in the tests were uniform in terms of brand, type and operating conditions. The relationship between the mileage of the cars tested and the volume as well as stability of foam in used engine oils were presented using scatter plots with regression lines, correlation coefficient and 95% confidence interval. Based on the obtained results it was found that foaming tendency for new oils is characterized by high variability. The strongest foaming tendency at 24°C and 93°C (Sequence I and II) was observed for two out of five oil groups. Statistically significant differences were found between mileage and foaming tendency/foam stability for individual oils tested.
Celem opracowania była analiza zmian charakterystyk pienienia olejów silnikowych użytkowanych w warunkach jazdy miejskiej. W związku z realizacją sformułowanego celu oznaczono skłonność do pienienia oraz trwałość piany dla 23 próbek oleju, według normy ASTM D 892. Próbki oleju pochodziły z samochodów stanowiących jednolitą flotę pod względem: marki, typu oraz warunków pracy silnika. Zależności przebiegu eksploatacyjnego badanych samochodów, z ilością i trwałością piany, w przepracowanych olejach silnikowych sprawdzono poprzez zastosowanie wykresów rozrzutu z linią regresji, współczynnikiem korelacji oraz 95%-owym przedziałem ufności. Na podstawie uzyskanych wyników stwierdzono, że skłonność do tworzenia piany dla olejów świeżych charakteryzuje się dużym zróżnicowaniem. Największą skłonność do pienienia w temp. 24°C i 93°C (Sekwencja I i II) zaobserwowano dla dwóch (z pięciu) grup olejowych. Potwierdzono istotne statystycznie różnice pomiędzy przebiegiem badanych pojazdów a poziomami poszczególnych charakterystyk pienienia.
Źródło:
Eksploatacja i Niezawodność; 2018, 20, 2; 229-235
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
Autorzy:
Zheng, Guoxiao
Sun, Weifang
Zhang, Hao
Zhou, Yuqing
Gao, Chen
Powiązania:
https://bibliotekanauki.pl/articles/2038054.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
tool wear condition monitoring
empirical mode decomposition
variational mode decomposition
fourier synchro squeezed transform
neighborhood component analysis
long short-term memory network
Opis:
Tool wear condition monitoring (TCM) is essential for milling process to ensure the machining quality, and the long short-term memory network (LSTM) is a good choice for predicting tool wear value. However, the robustness of LSTM- based method is poor when cutting condition changes. A novel method based on data fusion enhanced LSTM is proposed to estimate tool wear value under different cutting conditions. Firstly, vibration time series signal collected from milling process are transformed to feature space through empirical mode decomposition, variational mode decomposition and fourier synchro squeezed transform. And then few feature series are selected by neighborhood component analysis to reduce dimension of the signal features. Finally, these selected feature series are input to train the bidirectional LSTM network and estimate tool wear value. Applications of the proposed method to milling TCM experiments demonstrate it outperforms significantly SVR- based and RNN- based methods under different cutting conditions.
Źródło:
Eksploatacja i Niezawodność; 2021, 23, 4; 612-618
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Worm gear condition monitoring and fault detection from thermal images via deep learning method
Monitorowanie stanu i wykrywanie błędów przekładni ślimakowej na podstawie termogramów z wykorzystaniem metody głębokiego uczenia
Autorzy:
Karabacak, Yunus Emre
Gürsel Özmen, Nurhan
Gümüşel, Levent
Powiązania:
https://bibliotekanauki.pl/articles/1841856.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
fault diagnosis
worm gears
thermal imaging
convolutional neural networks
GoogLeNet
condition monitoring
diagnostyka błędów
przekładnie ślimakowe
termografia
splotowe sieci neuronowe
monitorowanie stanu
Opis:
Worm gearboxes (WG) are often preferred, because of their high torque, quickly reducing speed capacity and good meshing effectiveness, in many industrial applications. However, WGs may face with some serious problems like high temperature at the speed reducer, gear wearing, pitting, scoring, fractures and damages. In order to prevent any damage, loss of time and money, it is an important issue to detect and classify the faults of WGs and develop the maintenance plans accordingly. The present study addresses the application of the deep learning method, convolutional neural network (CNN), in the field of thermal imaging that were gathered from a test rig operating on different loads and speeds. Deep learning approaches, have proven their powerful capability to exploit faulty information from big data and make intelligently diagnostic decisions. Studies concerning the condition monitoring of WGs in the literature are limited. This is the first study on WGs with infrared thermography rather than vibration and sound measurements which have some deficiencies about hardware requirements, restricted measurement abilities and noisy signals. For comparison, CNN was also trained, with vibration and sound data which were collected from the healthy and faulty WGs. The results of fault diagnosis show that thermal image based CNN model on WG has achieved 100% success rate whereas the vibration performance was 83.3 % and sound performance was 81.7%. As a result, thermal image based CNN model showed a better diagnosing performance than the others for WGs. Moreover, condition monitoring of WGs, can be performed correctly with less measurement costs via thermal imaging methods.
W wielu zastosowaniach przemysłowych preferuje się przekładnie ślimakowe, ze względu na ich wysoki moment obrotowy, możliwość szybkiej redukcji prędkości i dobrą sprawność zazębienia. Jednakże przekładnie tego typu narażone są często na poważne problemy, takie jak wysoka temperatura przy reduktorze prędkości czy też zużycie, pitting (wżery), zatarcie, pęknięcie lub uszkodzenie kół zębatych. Zapobiec takim uszkodzeniom, i związanym z nimi stratom finansowym i czasowym, można poprzez wykrywanie i klasyfikowanie błędów przekładni i odpowiednie opracowanie planów konserwacji. Niniejsze badanie dotyczy zastosowania metody głębokiego uczenia oraz splotowych sieci neuronowych (SSN) do monitoringu stanu przekładni na podstawie termogramów zarejestrowanych na stanowisku testowym pracującym przy różnych obciążeniach i prędkościach. Podejścia oparte na uczeniu głębokim umożliwiają efektywne wykorzystanie informacji o błędach pochodzących z dużych zbiorów danych i podejmowanie trafnych decyzji diagnostycznych. Niewiele z dostępnych publikacji poświęconych jest monitorowaniu stanu przekładni ślimakowych. Niniejsza praca jako pierwsza przedstawia badania przekładni ślimakowej z zastosowaniem termografii zamiast zwyczajowo prowadzonych pomiarów drgań i dźwięku, które mają pewne wady dotyczące wymagań sprzętowych, ograniczonych możliwości pomiarowych i głośności sygnałów. SNN opartą na danych termicznych porównano z siecią, którą uczono na zbiorach danych wibracyjnych i akustycznych pochodzących z prawidłowo działających i uszkodzonych przekładni ślimakowych. Wyniki diagnostyki uszkodzeń pokazują, że model SSN przekładni ślimakowej oparty na obrazie termicznym osiągnął stuprocentową (100%) skuteczność, podczas gdy skuteczność modeli opartych na danych wibracyjnych i akustycznych wyniosła, odpowiednio, 83,3% i 81,7%. Tym samym, model SNN oparty na obrazie termicznym pozwalał na trafniejsze diagnozowanie przekładni ślimakowej niż pozostałe modele. Ponadto zastosowanie metod opartych na termografii pozwala na poprawne monitorowanie stanu przy niższych kosztach pomiaru.
Źródło:
Eksploatacja i Niezawodność; 2020, 22, 3; 544-556
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Metody pośredniego badania starzenia się systemu
On approaches for non-direct determination of system deterioration
Autorzy:
Vališ, D.
Koucky, M.
Zak, L.
Powiązania:
https://bibliotekanauki.pl/articles/301313.pdf
Data publikacji:
2012
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
diagnostyka oleju
monitorowanie stanu technicznego oleju
prognozowanie i ocena stanu technicznego metodami nieniszczącymi
oil diagnostics
health and condition monitoring
non-destructive diagnostics and prognostics
Opis:
Nowadays the system requirements are set up and evaluated in various manners. We have plenty of excellent options available taking about an item technical state. We can also consider other states by many diagnostic options. The paper deals with the mathematical processing, monitoring and analysis of the oil field data got as a result from the laser spectrography in frame of the tribodiagnostic oil tests. The mathematical methods based on time series and their analysis and calculation processed by suitable method are used in the paper for oil data analysis. Due to the fact that the data sample is classified as fuzzy and uncertain from many reasons the FIS (Fuzzy Inference System) is used.
Obecnie wymagania systemu mogą być ustalane i oceniane w różny sposób. Mamy do dyspozycji wiele doskonałych opcji oceny stanu technicznego obiektów. Istnieje również wiele możliwości diagnozowania innych stanów. W artykule przedstawiono proces matematycznego przetwarzania, monitorowania i analizy danych eksploatacyjnych dotyczących oleju uzyskanych na podstawie spektrografii laserowej przeprowadzonej w ramach diagnostyki tribologicznej. Do analizy danych wykorzystano metody matematyczne oparte na szeregach czasowych oraz odpowiednie metody analizy i obliczania szeregów czasowych. Ponieważ dostępne dane sklasyfikowano jako rozmyte i niepewne, zastosowano System Wnioskowania Rozmytego FIS.
Źródło:
Eksploatacja i Niezawodność; 2012, 14, 1; 33-41
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Evaluation of the spur gear condition using extended frequency range
Ocena stanu przekładni zębatej z wykorzystaniem rozszerzonego zakresu częstotliwości
Autorzy:
Skrickij, V.
Bogdevičius, M.
Žygienė, R.
Powiązania:
https://bibliotekanauki.pl/articles/300890.pdf
Data publikacji:
2017
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
model matematyczny
przekładnia zębata
emisja akustyczna
sygnał wibroakustyczny
transformata falkowa
monitorowanie stanu
mathematical model
spur gear
acoustic emission
vibroacustic signal
wavelet transform
condition monitoring
Opis:
The paper focuses on working out an algorithm for spur gear condition monitoring, based on the results of numerical simulation. The nonlinear mathematical model has been used for investigation of the dynamic parameters of the cylindrical spur gear with defective teeth. Backlash between gear teeth, backlash in bearings, time-varying mesh stiffness, and variations of the centre distance have been evaluated in the model. Diagnostic parameters suitable for determining the condition of the gears under investigation have been established. Frequency intervals mostly affected by changes in diagnostic parameters under damage have been found. An algorithm for diagnostics based on mathematical modelling, vibro-acoustic, and acoustic emission methods, and wavelet transform has been worked out.
Celem artykułu było opracowanie algorytmu monitorowania stanu przekładni zębatej w oparciu o wyniki symulacji numerycznej. Przedstawiono nieliniowy model matematyczny, który wykorzystano do badania parametrów dynamicznych przekładni zębatej walcowej z uszkodzonymi zębami. Za pomocą przedstawionego modelu oceniano luz pomiędzy zębami przekładni, luz w łożyskach, zmienną w czasie sztywność zazębienia oraz zmiany odległości osi. Ustalono parametry diagnostyczne odpowiednie dla określenia stanu technicznego badanych przekładni. Znaleziono przedziały częstotliwości odpowiadające zmianom parametrów diagnostycznych wynikającymi z uszkodzenia. Opracowano algorytm diagnostyczny oparty na modelowaniu matematycznym, metodach emisji wibroakustycznej i emisji akustycznej oraz transformacie falkowej.
Źródło:
Eksploatacja i Niezawodność; 2017, 19, 3; 476-484
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Health index extracting methodology for degradation modelling and prognosis of mechanical transmissions
Metodologia ekstrakcji wskaźnika stanu technicznego do modelowania i prognozowania degradacji przekładni mechanicznych
Autorzy:
Yan, Shufa
Ma, Biao
Zheng, Changsong
Powiązania:
https://bibliotekanauki.pl/articles/300645.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
health index
mechanical transmission
condition monitoring
spectral oil data
degradation modeling
remaining useful life
wskaźnik stanu technicznego
przekładnia mechaniczna
monitorowanie stanu
dane widmowe oleju
modelowanie degradacji
pozostały okres użytkowania
Opis:
Condition monitoring and prognosis is a key issue in ensuring stable and reliable operation of mechanical transmissions. Wear in a mechanical transmission, which leads to the production of wear particles followed by severe wear, is a slow degradation process that can be monitored by spectral analysis of oil, but the actual degree of degradation is often difficult to evaluate in practical applications due to the complexity of multiple oil spectra. To solve this problem, a health index extraction methodology is proposed to better characterize the degree of degradation compared to relying solely on spectral oil data, which leads to an accurate estimation of the failure time when the transmission no longer fulfils its function. The health index is extracted using a weighted average method with selection of degradation data with allocation steps for weight coefficients that lead to a reasonable mechanical transmission degradation model. First, the degradation data used as input are selected based on source entropy which can describe the information volume contained in each set of spectral oil data. Then, the weight coefficient of each set of degradation data is modelled by measuring the relative scale of the permutation entropy from the selected degradation data. Finally, the selected degradation data are fused, and the health index is extracted. The proposed methodology was verified using a case study involving a degradation dataset of multispectral oil data sampled from several power-shift steering transmissions.
Monitorowanie i prognozowanie stanu to kluczowa kwestia dla zapewnienia stabilnej i niezawodnej pracy przekładni mechanicznych. Zużycie w przekładni mechanicznej, które prowadzi do wytwarzania cząsteczek zużycia a następnie ciężkiego zużycia, to proces powolnej degradacji, który może być monitorowany poprzez analizę widmową oleju, ale rzeczywisty stopień degradacji często trudno jest ocenić podczas praktycznego użytkowania z uwagi na złożoność wielu widm oleju. W celu rozwiązania powyższego problemu, zaproponowano metodologię ekstrakcji wskaźnika stanu technicznego, aby lepiej scharakteryzować stopień degradacji niż polegając wyłącznie na danych widmowych oleju; pozwala to na dokładne prognozowanie czasu uszkodzenia, gdy przekładnia przestanie spełniać swoją funkcję. Wskaźnik stanu technicznego ekstrahowany jest za pomocą metody średniej ważonej z wyborem danych o degradacji i etapami alokacji dla współczynników wagowych, dając w efekcie odpowiedni model degradacji przekładni mechanicznej. W pierwszym etapie, dane degradacji stosowane jako dane wejściowe wybierane są na podstawie entropii źródłowej, która może opisywać zakres informacji zawarty w każdym zbiorze danych widmowych oleju. Następnie współczynnik wagowy każdego zestawu danych nt. degradacji modelowany jest przez pomiar względnej skali entropii permutacji z wybranych danych degradacji. Na koniec, wybrane dane degradacji są integrowane i ekstrahowany jest wskaźnik stanu technicznego. Zaproponowana metodologia została zweryfikowana przy użyciu studium przypadku obejmującego zbiór wielowidmowych danych dotyczących degradacji oleju pobranego z kilku przekładni kierowniczych wspomaganych.
Źródło:
Eksploatacja i Niezawodność; 2019, 21, 1; 137-144
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 16

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies