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 140
Tytuł:
Концепция мониторинга и диагностирования электрооборудования тяговых подстанций электрифицированных железных дорог
Koncepcja monitoringu i diagnostyki elektrycznego wyposażenia kolejowych podstacji trakcyjnych
Concept of Monitoring and Diagnosis Electric Fixtures of Railway Substation of Electrified Railways
Autorzy:
Matusevič, A. A.
Powiązania:
https://bibliotekanauki.pl/articles/952268.pdf
Data publikacji:
2015
Wydawca:
Instytut Kolejnictwa
Tematy:
zasilanie trakcyjne
linie kolejowe
monitoring
Smart Grid
podstacja trakcyjna
wyposażenie elektryczne
konserwacja
naprawy
diagnostyka
niezawodność systemu
rzeczywisty stan techniczny
electric power supply
electrified railways
smart grid
railway sub-station
power equipment
technical servicing
repair
diagnosis
reliability
system
condition monitored maintenance
Opis:
W artykule pokazano teoretyczne i metodologiczne podejście w celu zwiększenia jakości i efektywności monitorowania i diagnozowania wyposażenia elektrycznego podstacji trakcyjnych w eksploatacji. W celu zwiększenia niezawodności zasilania linii kolejowych i ograniczenia awaryjności wyposażenia elektrycznego podstacji trakcyjnych, prześledzono doświadczenia spółek energetycznych w technologii sieci inteligentnych Smart Grid. Przeprowadzono także analizę głównych metod monitorowania i diagnozowania urządzeń podstacji trakcyjnych. Proponowana koncepcja monitorowania i diagnostyki elektrycznego wyposażenia podstacji ma na celu poprawę niezawodności sprzętu i jego optymalnej pracy w całym cyklu życia, a także obniżenie kosztów eksploatacji urządzeń energetycznych przez wykorzystanie konserwacji i naprawy rzeczywistego stanu technicznego.
Theoretical approaches and methodological support of the solution the actual scientific and technical problem of quality improvement and monitoring efficiency and electric equipment diagnosing of railroads railway substations while in operation are offered. In order to improve electric power supply reliability and reduce the power equipment fault rate undertook a study experience of the energy companies for high quality problem solution of electric power supply based on the ideology of Smart Grid technologies. Also, the analysis of the monitoring main methods and diagnosing TP devices of electrified railways is carried out. The offered concept of monitoring and diagnosing of electric equipment of railway substations of the electrified railroads is focused on reliability growth of equipment operation and achievement of optimum use it throughout life cycle, and also expenditures lowering on operation of the power equipment due to application of technical servicing and repair on the condition monitored maintenance.
Źródło:
Problemy Kolejnictwa; 2015, 167; 43-49
0552-2145
2544-9451
Pojawia się w:
Problemy Kolejnictwa
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie teorii szarych systemów do modelowania i prognozowania w diagnostyce maszyn
Application of grey system theory to modeling and forecasting in machine condition monitoring
Autorzy:
Cempel, Cz.
Tabaszewski, M.
Powiązania:
https://bibliotekanauki.pl/articles/328195.pdf
Data publikacji:
2007
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
diagnostyka maszyn
symptomy drganiowe
modele szare
prognozowanie
machine
diagnostics
condition monitoring
vibration symptoms
grey system theory
condition forecasting
Opis:
Praca przedstawia metodologię budowy szarego modelu pierwszego rzędu przydatnego w prognozowaniu stanu za pomocą symptomów drganiowych. Pokazano na przykładach, że szare modele mogą mieć zastosowanie w diagnostyce maszyn prostych, dla których wystarcza podejście jedno symptomowe, jak też w diagnostyce wielo uszkodzeniowej obiektów złożonych. Zastosowano tu metodę szarych systemów Deng'a z odcinkowym prognozowania tzw. ślizgającym okienkiem, zaczerpniętą z najnowszej literatury przedmiotu.
The paper presents methodology of grey system theory and the first order grey model GM(1,1), which can be applied for the machine condition forecasting using vibration symptoms, and rolling forecasting window. Basing on real data taken from vibration condition monitoring, it was shown successfully one step forecasting with the grey model applied to condition observation by one symptom only. It was shown also, that in case of multidimensional condition monitoring one can apply the same methodology to the generalized symptom of condition, obtained from singular value decomposition of symptom observation matrix.
Źródło:
Diagnostyka; 2007, 2(42); 11-18
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
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:
Wind turbine generator slip ring damage detection through temperature data analysis
Autorzy:
Astolfi, Davide
Castellani, Francesco
Natili, Francesco
Powiązania:
https://bibliotekanauki.pl/articles/329616.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
wind energy
wind turbines
fault diagnosis
condition monitoring
principal components regression
energetyka wiatrowa
turbina wiatrowa
diagnostyka uszkodzeń
monitorowanie stanu
Opis:
The use of condition monitoring techniques in wind energy has been recently growing and the average unavailability time of an operating wind turbine in an industrial wind farm is estimated to be less than the 3%. The most powerful approach for gearbox condition monitoring is vibration analysis, but it should be noticed as well that the collected data are complex to analyse and interpret and that the measurement equipment is costly. For these reasons, several wind turbine subcomponents are monitored through temperature sensors. It is therefore valuable developing analysis techniques for this kind of data, with the aim of detecting incoming faults as early as possible. On these grounds, the present work is devoted to a test case study of wind turbine generator slip ring damage detection. A principal component regression is adopted, targeting the temperature collected at the slip ring. Using also the data collected at the nearby wind turbines in the farm, it is possible to identify the incoming fault approximately one day before it occurs.
Źródło:
Diagnostyka; 2019, 20, 3; 3-9
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wielosymptomowa prognoza stanu i czasu do awarii z wykorzystaniem sieci neuronowych
Multi-symptom forecasting of condition and residual time by means of neural networks
Autorzy:
Tabaszewski, M.
Powiązania:
https://bibliotekanauki.pl/articles/328173.pdf
Data publikacji:
2007
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
prognozowanie
czas resztkowy
sieć neuronowa
diagnostyka wielosymptomowa
diagnostyka
łożysko toczne
forecasting
residual time
neural network
multidimensional condition monitoring
rolling bearing
Opis:
Praca zawiera próbę rozwiązania problemu prognozy wielosymptomowej dla złożonych obiektów technicznych. Zaproponowano kilka możliwości realizacji prognozy wielosymptomowej stanu i czasu do awarii kładąc szczególny nacisk na możliwość zastosowania sieci neuronowej. Przedstawiono przykład zastosowania sieci neuronowej w prognozie czasu resztkowego do awarii łożyska tocznego 608. Wskazano na silną zależność jakości otrzymywanych prognoz od przyjętej struktury sieci.
The work concerns an idea of multi-symptom forecasting for complex technical objects. Some of possibilities of realization of multi-symptom forecasting of machine condition and time to breakdown were proposed, especially realization based on neural networks. Some example of prediction of residual time to breakdown of ball bearing 608 was presented. The strong relationship between quality of forecasts and assumed structure of artificial neural network was shown.
Źródło:
Diagnostyka; 2007, 2(42); 43-48
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
What Can We Learn from Monitoring of Monumental Trees – A Case Study of the Jasienica and Jaworze Communes (Silesia, South Poland)
Autorzy:
Pietraszko, Ewa
Żarnowiec, Jan
Szafran, Sylwia
Zalot, Tomasz
Dziergas, Grzegorz
Jarosz, Przemysław
Powiązania:
https://bibliotekanauki.pl/articles/2105276.pdf
Data publikacji:
2022
Wydawca:
Polskie Towarzystwo Inżynierii Ekologicznej
Tematy:
nature monument
monumental tree
biological monitoring
tree health condition
Opis:
The data of monitoring of natural monuments in the Jasienica and Jaworze communes (Silesian Voivodeship) deriving from 1999, 2008 and 2019 were compared between the periods and communes. The conducted studies involved determining metric data (including tree height and diameter at breast height – DBH) and assessing health condition of monumental trees. A total of 65 trees were included in the research from 2019, dominated by Quercus robur (28 specimens) and Tilia cordata (9). The health condition of trees was the result of the damage that occurred. Monumental trees in the Jasienica commune were characterized by average (60%) or poor (40%) health condition. In the Jaworze commune, merely 14% of trees have poor state of health. The remaining trees were in average (38%), satisfactory (26%) and good (22%) health condition.
Źródło:
Journal of Ecological Engineering; 2022, 23, 6; 129--138
2299-8993
Pojawia się w:
Journal of Ecological Engineering
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:
Validation of vibration signals for diagnostics of mining machinery
Walidacja sygnału drganiowego na potrzeby diagnostyki maszyn górniczych
Autorzy:
Kępski, P.
Barszcz, T.
Powiązania:
https://bibliotekanauki.pl/articles/329418.pdf
Data publikacji:
2012
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
drgania mechaniczne
walidacja sygnału
systemy monitoringu maszyn
monitoring maszyn górniczych
vibration
validation
condition monitoring systems
coal mining machines monitoring
Opis:
The paper presents the proposal of vibration signal validation algorithms for monitoring of mining machinery. Since several years vibration based condition monitoring is quickly growing, as there is an increasingly important focus on efficient operation and maintenance of very costly equipment used in mining industry. FAMUR Institute, the leading research and development center for FAMUR's Group - one of the biggest producer of mining machinery and equipment, develops machinery monitoring solutions, according to its e-mine strategy. One of key issues in the analysis of vibration signals is the validation of acquired signals. It is a key prerequisite, before any further analysis should be performed. In the paper, a survey of a number of existing validation methods is presented. These methods has been successfully applied in industries such as power generation, wind turbines or railway transport. Presented methods are evaluated from the point of view of heavy industry applications especially for underground mining, where the most important thing is to record correct data without sending useless vibration signals for diagnostic inference. The paper includes a case study, where the real vibration data from high power test stand are analyzed. The object of research was heavy duty gearbox. Proposed methods were also applied for the real data from machines working underground.
W artykule przedstawiono propozycje metod walidacji sygnału drganiowego na potrzeby diagnostyki maszyn górniczych. Na przełomie ostatnich lat popularność systemów monitoringu maszyn górniczych opartych o sygnał drganiowy systematycznie rośnie, co jest związane z dążeniem do zwiększania czasu dostępności maszyn minimalizacją nieplanowanych przestojów oraz dążeniem do jak najwcześniejszego wykrycia symptomów zbliżającej się awarii. Zgodnie ze strategią przyjętą przez Grupę FAMUR, FAMUR Institute, Centrum Badawczo-Rozwojowe jest twórcą kompleksowego systemu e-kopalnia. W skład tego systemu wchodzi m.in. FAMAC VIBRO pozwalający na ciągły monitoring drgań oraz temperatur napędów maszyn górniczych. Jak wynika z dotychczasowych doświadczeń autorów, jednym z najważniejszych zadań w analizie sygnału drganiowego jest przeprowadzenie rzetelnej walidacji zarejestrowanych sygnałów. Opisane w artykule metody zostały zaimplementowane w różnych gałęziach przemysłu (m.in. energetyce, turbinach wiatrowych oraz transporcie kolejowym). Obecnie metody te są rozwijane i dostosowywane do specyficznych wymagań rynku górniczego ze szczególnym uwzględnieniem ograniczenia przesyłania i zapisywania danych nieprzydatnych z punktu widzenia diagnostyki maszyn. Opisywane w artykule metody walidacji sygnałów zostały przetestowane na danych pochodzących z eksperymentalnych badań przekładni przemysłowych przeprowadzonych na stacji prób napędów dużej mocy. Metody te obecnie są również zaimplementowane w podziemnych systemach monitoringu maszyn górniczych.
Źródło:
Diagnostyka; 2012, 4(64); 25-30
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Utilization of components of signals from high frequency range in condition monitoring of bearings
Wykorzystanie składowych sygnału z wysokiego pasma częstotliwości w diagnostyce łożysk
Autorzy:
Gałęzia, A.
Powiązania:
https://bibliotekanauki.pl/articles/327510.pdf
Data publikacji:
2010
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
emisja akustyczna
parametry
ultradźwięki
momenty widmowe
diagnostyka techniczna
acoustic emission parameters
ultrasonic
spectral moments
condition monitoring
Opis:
The paper describes the utilization of high frequency range of vibro-acoustic signals in condition monitoring of bearings. High frequency components of signals, generated by a bearing working under operational conditions, contain low energy disturbances which might carry information related to the technical condition of the bearing. These high frequency signal components are most probably related to friction effects and the effects related to the behaviour of structure in mesoscale. The emergence of cracks leads to the changes in the friction of mating elements in bearings and has an influence on the structure in mesoscale. This in turn causes changes in high frequency range of the signal. Based on the monitoring of high frequency structure of signals, it is possible to draw conclusions about the changes in the technical condition of a bearing. The paper describes the application of measures, typical for acoustic emission, to acoustic signals recorded from bearings working on a laboratory stand. The measurements were performed with the uses of an ultrasonic microphone.
Publikacja przedstawia wykorzystanie wysokoczęstotliwościowych sygnałów wibroakustycznych w diagnostyce technicznej łożysk. Wysokoczęstotliwościowe składowe sygnałów, emitowanych przez pracujące łożysko, zawierają niskoenergetyczne zaburzenia, które mogą nieść informację związane ze stanem technicznym łożyska. Te wysokoczęstotliwościowe składowe sygnałów są najprawdopodobniej związane ze zjawiskami tarcia i zjawiskami zachowania struktury w mezoskali. Powstanie uszkodzenia prowadzi do zmian w tarciu współpracujących powierzchni łożyska i ma wpływ na zachowanie struktury w mezoskali. W wyniku tego następują zmiany w wysokoczęstotliwościowym paśmie sygnału. Wykorzystując monitoring wysokoczęstotliwościowej struktury sygnału, możliwe jest wnioskowanie o zmianach stanu technicznego łożyska. Publikacja przedstawia wykorzystanie miar, typowych dla emisji akustycznej, w analizie sygnałów akustycznych pracujących łożysk na stanowisku badawczym. Pomiary zostały przeprowadzone z wykorzystaniem mikrofonów ultradźwiękowych.
Źródło:
Diagnostyka; 2010, 3(55); 35-44
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Using sensory tool holder data for optimizing production processes
Autorzy:
Schörghofer, Paul
Pauker, Florian
Leder, Norbert
Mangler, Jürgen
Ramsauer, Christoph
Bleicher, Friedrich
Powiązania:
https://bibliotekanauki.pl/articles/100070.pdf
Data publikacji:
2019
Wydawca:
Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
Tematy:
adaptive control
condition monitoring
orchestration platform
Opis:
Today's highly automated manufacturing specifies the service time of a tool in a way that the tooling costs are balanced against the potential costs of a tool failure. However, the potential cost induced by a tool malfunctioning are rather high. Therefore, the current state-of-the art tackles this issue by replacing the tools prematurely at fixed intervals. To tap into the potential of under-utilized tool runtime this work purposes the use of sensory-tool holders and an interfering feedback loop to the machine tool control system. Besides its real-time closed loop control, to avoid tool failure, it also provides data in the context of (a) the work order, (b) the produced part, (c) the NC-block and command line, on (d) specific machines. Based on this data an ex-post analysis to optimize tool-life and productivity scenarios becomes possible, e.g. custom NC-programs for certain work-orders, configurations and machines. Furthermore, downstreamed work steps can be changed e.g. only to measure produced workpieces if abnormal vibrations are reported by in-process-monitoring.
Źródło:
Journal of Machine Engineering; 2019, 19, 3; 43-55
1895-7595
2391-8071
Pojawia się w:
Journal of Machine Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Unsupervised detection of state changes during operation of machine elements
Autorzy:
Hillenbrand, Jonas
Fleischer, Jürgen
Powiązania:
https://bibliotekanauki.pl/articles/1429021.pdf
Data publikacji:
2021
Wydawca:
Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
Tematy:
condition monitoring
clustering tracking
unsupervised learning
Opis:
Interpretation of sensor data from machine elements is challenging, if no prior knowledge of the system is available. Evaluation methods must adapt surrounding conditions and operation modes. As supervised learning models can be time-consuming to set up, unsupervised learning poses as alternative solution. This paper introduces a new clustering scheme that incorporates iterative cluster retrieval in order to track the clustering results over time. The approach is used to identify changing machine element states such as operating conditions and undesired changes, like incipient damage or wear. We show that knowledge about the evolving clusters can be used to identify operation and failure events. The approach is validated for machine elements with slide and roll contacts, such as ball screws and bearings. The data used has been captured using vibration and acoustic emission sensors. The results show a general applicability to the unsupervised monitoring of machine elements using the proposed approach.
Źródło:
Journal of Machine Engineering; 2021, 21, 2; 35-46
1895-7595
2391-8071
Pojawia się w:
Journal of Machine Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Towards sustainable and intelligent machining: energy footprint and tool condition monitoring for media-assisted processes
Autorzy:
Dogan, Hakan
Jones, Llyr
Hall, Stephanie
Shokrani, Alborz
Powiązania:
https://bibliotekanauki.pl/articles/24084657.pdf
Data publikacji:
2023
Wydawca:
Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
Tematy:
machining
deep learning
tool condition monitoring
energy footprint
Opis:
Reducing energy consumption is a necessity towards achieving the goal of net-zero manufacturing. In this paper, the overall energy footprint of machining Ti-6Al-4V using various cooling/lubrication methods is investigated taking the embodied energy of cutting tools and cutting fluids into account. Previous studies concentrated on reducing the energy consumption associated with the machine tool and cutting fluids. However, the investigations in this study show the significance of the embodied energy of cutting tool. New cooling/lubrication methods such as WS2-oil suspension can reduce the energy footprint of machining through extending tool life. Cutting tools are commonly replaced early before reaching their end of useful life to prevent damage to the workpiece, effectively wasting a portion of the embodied energy in cutting tools. A deep learning method is trained and validated to identify when a tool change is required based on sensor signals from a wireless sensory toolholder. The results indicated that the network is capable of classifying over 90% of the tools correctly. This enables capitalising on the entirety of a tool’s useful life before replacing the tool and thus reducing the overall energy footprint of machining processes.
Źródło:
Journal of Machine Engineering; 2023, 23, 2; 16--40
1895-7595
2391-8071
Pojawia się w:
Journal of Machine Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Tooling systems with integrated sensors enabling data based process optimization
Autorzy:
Bleicher, Friedrich
Ramsauer, Christoph
Leonhartsberger, Martin
Lamprecht, Matthias
Stadler, Philipp
Strasser, Dominik
Wiedermann, Clemens
Powiązania:
https://bibliotekanauki.pl/articles/1428704.pdf
Data publikacji:
2021
Wydawca:
Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
Tematy:
condition monitoring
sensors integration
Industry 4.0
Opis:
Sensor integration into machining equipment has become an important factor for gaining deep process insights mainly driven by increasingly smaller and cheaper sensors and transmitters. Due to advances in microelectronics and communication technology, a broader field of applications in production processes and machine tools can be addressed using sensing devices and their implementation potentials. Ensuring a sensitive but robust data stream from close to the actual process allows not only reliable monitoring but also process and quality control based on sensor information. This paper provides an overview of the utilization of sensor data for the purpose of condition monitoring, model fitting and real-time control coping with stochastic effects. Examples of sensor integration in fields of injection molding, roll forming and heavy-duty milling comprise the state of the art of sensor implementation, data evaluation and possible feedback loops in the respective application scenarios.
Źródło:
Journal of Machine Engineering; 2021, 21, 1; 5-21
1895-7595
2391-8071
Pojawia się w:
Journal of Machine Engineering
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:
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
Wyświetlanie 1-15 z 140

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