Informacja

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

Wyszukujesz frazę "oil condition monitoring" wg kryterium: Temat


Wyświetlanie 1-2 z 2
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:
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 1-2 z 2

    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