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 "sygnał" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Hybrid methodology of degradation feature extraction for bearing prognostics
    Metodyka hybrydowa ekstrakcji cech degradacji do zastosowań w prognozowaniu czasu życia łożysk
    Autorzy:
    Gu, H.
    Zhao, J.
    Zhang, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/302055.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    ekstrakcja cech
    degradacja
    sygnał
    łożysko
    feature extraction
    degradation
    signal
    bearing
    Opis:
    Hybrid methodology of degradation feature extraction was presented which may enable prediction of remaining useful life of a product. In this methodology, firstly, the signal was de-noised by wavelet analysis. Then the autoregressive model was used to remove the discrete frequencies from de-noised signal. Further, the residual signal which mainly contained impulsive fault signal was enhanced by minimum entropy deconvolution filter. The kurtosis was extracted which was taken as the feature for prognostics. At last, the empirical mode decomposition was used to reduce fluctuation of feature value and to extract the trend content. A case study was presented to verify the effectiveness of the proposed method.
    Przedstawiono hybrydową metodę ekstrakcji cech degradacji, która umożliwia przewidywanie pozostałego okresu użytkowania produktu. W tej metodyce, sygnał został najpierw odfiltrowany z wykorzystaniem analizy falkowej. Następnie, za pomocą modelu autoregresyjnego usunięto z pozbawionego szumów sygnału częstotliwości dyskretne. W dalszej kolejności, sygnał resztkowy, który zawierał głównie impulsowy sygnał uszkodzenia został wzmocniony z zastosowaniem filtru dekonwolucji minimum entropii. Obliczono kurtozę, którą przyjęto jako cechę w procesie prognozowania. Na koniec, zastosowano empiryczną dekompozycję sygnału (EMD) w celu zmniejszenia wahań wartości cechy oraz w celu ekstrakcji trendu. Studium przypadku demonstruje efektywność proponowanej metody.
    Źródło:
    Eksploatacja i Niezawodność; 2013, 15, 2; 195-201
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Recognition of acoustic signals of induction motor using fft, smofs-10 and ISVM
    Rozpoznawanie sygnałów akustycznich silnika indukcyjnego z zastosowaniem fft, smofs-10 i ISVM
    Autorzy:
    Głowacz, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365918.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    acoustic signal
    induction motor
    feature extraction
    classification
    sygnał akustyczny
    silnik indukcyjny
    ekstrakcja cech
    klasyfikacja
    Opis:
    A correct diagnosis of electrical circuits is very essential in industrial plants. An article deals with a recognition method of early fault detection of induction motor. The described approach is based on patterns recognition. Acoustic signals of specific induction motor are analyzed patterns. Acoustic signals include information about motor state. The analysis of the patterns was conducted for three states of induction motor using Fast Fourier Transform (FFT), shortened method of frequencies selection (SMoFS-10) and Linear Support Vector Machine (LSVM). The results of calculations suggest that the method is efficient and can be also used for diagnostic purposes.
    Prawidłowa diagnostyka obwodów elektrycznych jest bardzo istotna w zakładach przemysłowych. Artykuł zajmuje się metodą rozpoznawania stanów przedawaryjnych silnika indukcyjnego. Opisane podejście jest oparte na rozpoznawaniu wzorców. Sygnały akustyczne określonego silnika indukcyjnego są badanymi wzorcami. Sygnały akustyczne zawierają informację o stanie silnika. Analiza wzorców została przeprowadzona dla trzech stanów silnika indukcyjnego używając FFT, skróconej metody wyboru częstotliwości (SMoFS-10) i liniowej maszyny wektorów wspierających (LSVM). Wyniki obliczeń sugerują, że metoda jest skuteczna i może być również zastosowana dla celów diagnostycznych.
    Źródło:
    Eksploatacja i Niezawodność; 2015, 17, 4; 569-574
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Detection of knocking combustion in a spark ignition engine using optical signal from the combustion chamber
    Detekcja spalania stukowego w silniku o zapłonie iskrowym za pomocą sygnału optycznego z komory spalania
    Autorzy:
    Piernikarski, D.
    Hunicz, J.
    Komsta, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/302059.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    spalanie stukowe
    szerokopasmowy sygnał optyczny
    rodniki
    chemiluminescencja
    knocking combustion
    optical measurements
    spectral flame properties
    chemiluminescence
    fiber optics
    Opis:
    The aim of the presented research was to investigate spectral properties of the combustion flame with special regard to the detection and estimation of intensity of knocking combustion. Research was made using modified single cylinder test engine with spark ignition (SI) equipped with an optical sensor having direct access to the combustion chamber. Measurements were based on wideband intensity of optical radiation and chemiluminescence phenomena occurring in the combustion flame under the influence of high temperature and pressure. Spectral recordings were done for wavelengths typical for emission of intermediate products, covering the range from 250 nm to 625 nm, including typically investigated radicals like C2, CH, CN, OH. Obtained results confirmed, that occurrence and intensity of knock can be determined on the basis of further signal analysis. Comparison with in parallel recorded indicated pressure have shown that characteristics of emitted spectra is more sensitive to the changing of engine operating conditions.
    Celem prezentowanych badań było zbadanie widmowych własności płomienia w komorze spalania ze specjalnym uwzględnieniem możliwości detekcji i oceny intensywnosci spalania stukowego. Badania zostały wykonane na zmodyfikowanym jednocylindrowym silniku o zapłonie iskrowym (ZI), wyposażonym w optyczny czujnik z bezpośrednim dostępem do komory spalania. W pomiarach wykorzystano zjawiska szerokopasmowej emisji optycznej oraz chemiluminescencji towarzyszące spalaniu mieszanki paliwowopowietrznej. Sygnał optyczny poddawano filtracji, wyodrębniając długości fal typowe dla emsji produktów przejściowych, w zakresie od 250 do 625 nm, obejmującym typowe rodniki takie jak C2, CH, CN oraz OH. Uzyskane rezultaty potwierdziły, że pojawienie się i intensywność spalania stukowego mogą zostać ocenione na podstawie dalszej analizy sygnału zarejestrowanego zarówno w szerokim paśmie promieniowania jak i dla widma chemiluminescencji poszczególnych rodników. Porównanie z rejestrowanym równocześnie przebiegiem ciśnienia pokazało, że emitowane widmo jest bardziej wrażliwe na zmiany warunków pracy silnika.
    Źródło:
    Eksploatacja i Niezawodność; 2013, 15, 3; 214-220
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wczesne wykrywanie uszkodzeń przekładni zębatej z wykorzystaniem słabych sygnałów drgań
    Early fault detection of gearbox using weak vibration signals
    Autorzy:
    Qingjun, W.
    Chen, X.
    Yang, H.
    Wang, G.
    Powiązania:
    https://bibliotekanauki.pl/articles/300940.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    wczesne wykrywanie uszkodzeń
    adaptacyjna reprezentacja czasowo-częstotliwościowa
    zdemodulowany sygnał drań
    early fault detection
    adaptive joint time-frequency
    weak demodulated vibration signal
    Opis:
    Zaproponowano nową metodę wczesnego wykrywania pęknięć zębów przekładni zębatej polegającą na analizie słabego sygnału drganiowego zmodulowanego niskimi częstotliwościami. Uzyskaną obwiednię zmodulowanego sygnału drgań wykorzystano do wyznaczenia częstotliwości modulujących. Zdemodulowane częstotliwości charakterystyczne otrzymano za pomocą adaptacyjnej, czasowo-częstotliwościowej reprezentacji sygnału z obwiedni sygnału drganiowego wyznaczonej z wykorzystaniem transformaty Hilberta. Spektrogram adaptacyjny odzwierciedla częstotliwość zazębienia i jej harmoniczne, częstotliwość sprzęgła, częstotliwość nośną oraz wstęgi boczne w sygnale drganiowym poddanym analizie z użyciem zoptymalizowanego przekształcenia falkowego. Proponowaną metodę weryfkowano przy użyciu sygnału symulowanego i rzeczywistego. Wyniki wskazują na możliwość efektywnego zastosowania proponowanej metody do detekcji pęknięć zębów przekładni zębatej.
    A new method for the early detection of the gear crack was proposed by the analysis of the weak low-frequency modulated vibration signal. The envelope of the modulated vibration signal was extracted and used to demonstrate the modulating frequencies. The demodulated characteristic frequencies were obtained with the adaptive joint time-frequency signal representation from the Hilbert transform envelope of the vibration signal. The adaptive spectrogram matches the meshing frequency and its harmonics, the coupling frequency, the carrier frequency and the sidebands in the vibration signal by the optimized wavelet. Simulated and experimental vibration signals are used to test the proposed method. The results show the applicability and effectiveness of the proposed method for gear crack detection.
    Źródło:
    Eksploatacja i Niezawodność; 2011, 1; 11-15
    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:
    Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
    Diagnostyka pittingu kół zębatych na podstawie surowego sygnału emisji akustycznej w oparciu o głębokie uczenie maszynowe
    Autorzy:
    Li, Xueyi
    Li, Jialin
    He, David
    Qu, Yongzhi
    Powiązania:
    https://bibliotekanauki.pl/articles/301093.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gear pitting fault diagnosis
    autoencoder
    one-dimensional convolutional neural network
    acoustic emission signal
    diagnostyka pittingu kół zębatych
    autoenkoder
    jednowymiarowa splotowa sieć neuronowa
    sygnał emisji akustycznej
    Opis:
    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.
    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.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 3; 403-410
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Particle swarm-optimized support vector machines and pre-processing techniques for remaining useful life estimation of bearings
    Zastosowanie maszyn wektorów nośnych zoptymalizowanych metodą roju cząstek oraz technik przetwarzania wstępnego do oceny pozostałego okresu użytkowania łożysk
    Autorzy:
    Souto, Maior Caio Bezerra
    das Chagas Moura, Márcio
    Lins, Isis Didier
    Powiązania:
    https://bibliotekanauki.pl/articles/301219.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    big data
    vibration signal
    bearings
    remaining useful life
    empirical mode decomposition
    wavelets transform
    support vector machine
    particle swarm optimization (PSO)
    duże dane
    sygnał drgań
    łożyska
    pozostały okres użytkowania
    empiryczna dekompozycja sygnału
    transformata falkowa
    maszyna wektorów nośnych
    optymalizacja rojem cząstek
    Opis:
    The useful life time of equipment is an important variable related to system prognosis, and its accurate estimation leads to several competitive advantage in industry. In this paper, Remaining Useful Lifetime (RUL) prediction is estimated by Particle Swarm optimized Support Vector Machines (PSO+SVM) considering two possible pre-processing techniques to improve input quality: Empirical Mode Decomposition (EMD) and Wavelet Transforms (WT). Here, EMD and WT coupled with SVM are used to predict RUL of bearing from the IEEE PHM Challenge 2012 big dataset. Specifically, two cases were analyzed: considering the complete vibration dataset and considering truncated vibration dataset. Finally, predictions provided from models applying both pre-processing techniques are compared against results obtained from PSO+SVM without any pre-processing approach. As conclusion, EMD+SVM presented more accurate predictions and outperformed the other models.
    Okres użytkowania sprzętu jest ważną zmienną związaną z prognozowaniem pracy systemu, a możliwość jego dokładnej oceny daje zakładom przemysłowym znaczną przewagę konkurencyjną. W tym artykule pozostały czas pracy (Remaining Useful Life, RUL) szacowano za pomocą maszyn wektorów nośnych zoptymalizowanych rojem cząstek (SVM+PSO) z uwzględnieniem dwóch technik przetwarzania wstępnego pozwalających na poprawę jakości danych wejściowych: empirycznej dekompozycji sygnału (Empirical Mode Decomposition, EMD) oraz transformat falkowych (Wavelet Transforms, WT). W niniejszej pracy, EMD i falki w połączeniu z SVM wykorzystano do prognozowania RUL łożyska ze zbioru danych IEEE PHM Challenge 2012 Big Dataset. W szczególności, przeanalizowano dwa przypadki: uwzględniający kompletny zestaw danych o drganiach oraz drugi, biorący pod uwagę okrojoną wersję tego zbioru. Prognozy otrzymane na podstawie modeli, w których zastosowano obie techniki przetwarzania wstępnego porównano z wynikami uzyskanymi za pomocą PSO + SVM bez wstępnego przetwarzania danych. Wyniki pokazały, że model EMD + SVM generował dokładniejsze prognozy i tym samym przewyższał pozostałe badane modele.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 4; 610-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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