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 "emisji akustycznej" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Application of acoustic emission in research of phenomenon occurring in high pressure fuel oil pipes of marine diesel engines
    Zastosowanie emisji akustycznej w badaniach zjawisk zachodzących w przewodzie wtryskowym paliwa okrętowego silnika spalinowego
    Autorzy:
    Bejger, A.
    Drzewieniecki, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/258354.pdf
    Data publikacji:
    2007
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    sygnał emisji akustycznej
    diagnoza
    silnik okrętowy
    system wtryskowy
    proces wtrysku
    acoustic emission signal
    diagnosis
    marine diesel engine
    injection system
    injection process
    Opis:
    This article presents the possibilities of AE signal application in the diagnosis of the technical condition of marine diesel engines, while taking into consideration injection systems in the range of the evaluation of the repeatability of fuel injection pressure. It describes the phenomenon and characterized disturbances in the injection pipe and their influence on the AE signal changes. On the basis of results of the research, the analysis of the AE signal presenting the coarse of fuel pressure changes in the injection pipe and pump was done, and there were distinguished friction processes occurring in the precise pair of injection pump and field characterizing the flow out of fuel from injector.
    W niniejszym artykule przedstawiono możliwości zastosowania sygnałów emisji akustycznej do diagnozowania stanu technicznego okrętowych silników spalinowych, ze szczególnym uwzględnieniem układów wtryskowych w zakresie oceny powtarzalności ciśnienia wtrysku paliwa. Omówione zostały zjawiska i scharakteryzowano zakłócenia zachodzące w przewodzie wtryskowym i ich wpływ na zmiany sygnału EA. W oparciu o wyniki badań dokonano analizy sygnału EA przedstawiającego przebieg zmian ciśnienia paliwa w przewodzie i pompie wtryskowej oraz wyróżniono procesy tarciowe zachodzące w parze precyzyjnej pompy wtryskowej i obszar charakteryzujący wypływ paliwa z wtryskiwacza.
    Źródło:
    Problemy Eksploatacji; 2007, 3; 25-31
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    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:
    Zastosowanie Zoptymalizowanego Algorytmu Multikomparacyjnego do klasyfikacji sygnałów emisji akustycznej generowanej przez wyładowania niezupełne, uszeregowane w zmodyfikowanej bazie danych
    The application of the optimized multi-comparative algorithm for classifying acoustic signals, generated by partial discharges, catalogued in the modified database
    Autorzy:
    Kurtasz, P.
    Boczar, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/275012.pdf
    Data publikacji:
    2010
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    klasyfikator multikomparacyjny
    zoptymalizowany klasyfikator multikomparacyjny
    wyładowanie niezupełne
    sygnał emisji akustycznej
    defekt izolacji papierowo-olejowej
    multi-comparational classic
    optimized multi-comparative algorithm
    partial discharge
    acoustic emission signal
    defect in paper-oil insulation
    Opis:
    W artykule scharakteryzowano możliwości zastosowania Zoptymalizowanego Algorytmu Multikomparacyjnego (ZAM) do klasyfikacji sygnałów emisji akustycznej (EA) generowanej przez podstawowe formy (klasy) wyładowań niezupełnych (WNZ), jakie mogą występować w izolacji papierowo-olejowej transformatorów elektroenergetycznych. W algorytmie ZAM zastosowano deskryptor czasowo-częstotliwościowy z optymalnie dobranymi parametrami w dziedzinie czasu i częstotliwości. Za pomocą tak skonstruowanego algorytmu przebadano bazę wiedzy poszerzoną o dodatkową klasę WNZ. Dotychczas wykorzystywana baza wiedzy, zawierająca osiem klas przebiegów EA, została opracowana w Katedrze Wysokich Napięć Politechniki Opolskiej. Stanowiła podstawę do testowania algorytmu ZAM, uzupełniono ją o dodatkową formę WNZ modelowanych w iskierniku ostrze-płyta umieszczonym w oleju izolacyjnym ze swobodnie przemieszczającymi się pęcherzykami gazowymi. Układ wyładowczy reprezentujący tę klasę, podobnie jak wszystkie pozostałe układy został zamodelowany w oleju elektroizolacyjnym. W artykule szczególną uwagę poświęcono omówieniu zasady działania zastosowanego algorytmu oraz wynikom skuteczności rozpoznawania podstawowych form WNZ, uzyskiwanym przy jego użyciu. Skuteczność rozpoznawania form WNZ została wyznaczona dla każdej z klas z osobna i całościowo dla bazy danych. Całkowita skuteczność klasyfikacji (dla całej bazy danych) wyniosła 95,95 %.
    In the paper application is described of the optimized multi-comparational and classic multi-comparational algorithms for classification of acoustic emission (AE) signals generated by the basic forms of partial discharges (PDs) which can occur in of paper-oil insulation systems of power transformers. This is a new implementation of the classical multi-comparational algorithm. The optimized multi-comparational algorithm was especially designed for needs on classification of the AE methods and it is result of research works performed by authors of this paper. Implementation of a time-frequency descriptor into the optimized multi-computational algorithm has been proposed. It was demonstrated that both algorithms indicate high, over 95,95 %, classification efficiency.
    Źródło:
    Pomiary Automatyka Robotyka; 2010, 14, 12; 73-78
    1427-9126
    Pojawia się w:
    Pomiary Automatyka Robotyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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