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 "gearbox fault" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Fabrication of a test rig for gearbox fault simulation and diagnosis
    Autorzy:
    Dubaish, Asaad Abdulhussein
    Jaber, Alaa Abdulhady
    Powiązania:
    https://bibliotekanauki.pl/articles/2203635.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    fault detection
    vibration analysis
    time-domain signal
    gearbox
    LabVIEW
    wykrywanie uszkodzeń
    analiza drgań
    przekładnia
    Opis:
    Gearboxes are one of the most important and widely exposed to different types of faults in machines. Therefore, manufacturers and researchers have made significant efforts to develop different fault detection and diagnostic approaches for gearboxes. However, many research foundations, such as universities, are currently working on developing different gearbox test rigs to understand the failure mechanisms in gearboxes. As a result, in this article, a gearbox testing rig was proposed and fabricated to evaluate gear performance under lowspeed working conditions. It describes the primary mechanical apparatus and the measurement tools used during the experimental analysis of a multistage gearbox transmission system. The data-gathering equipment used to acquire the observed vibration data is also discussed. LabVIEW software was used to build a data acquisition platform using an accelerometer and a NI DAQ device. Then different vibration tests were conducted under different operating conditions, when the gearbox was healthy and then faulty, on this test rig, and the gathered vibration data were analyzed based on time domain signal analysis. The preliminary results are promising and open the horizon for simulating different gearbox test scenarios.
    Źródło:
    Diagnostyka; 2023, 24, 2; art. no. 2023204
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykrywanie wczesnych faz uszkodzeń kół zębatych w warunkach eksploatacyjnych
    Early fault detection of toothed gear in exploitation conditions
    Autorzy:
    Łazarz, B.
    Wojnar, G.
    Czech, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/301057.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    przekładnie zębate
    drgania
    uszkodzenia kół
    diagnostyka
    gearbox
    vibration
    gear fault
    diagnostics
    Opis:
    Przekładnie zębate są powszechnie wykorzystywane w układach napędowych maszyn i urządzeń. W trakcie ich eksploatacji bardzo istotne jest odpowiednio wczesne pozyskanie informacji o postępujących procesach degradacyjnych. Pozwala to na zaplanowanie we właściwym czasie niezbędnych przeglądów oraz napraw, zwiększając w ten sposób niezawodność wszystkich elementów łańcucha kinematycznego. Z tego powodu w artykule zawarto wyniki prac zespołu w zakresie diagnostyki wibroakustycznej uszkodzeń elementów przekładni zębatych. Przedstawiono przegląd badań symulacyjnych i doświadczalnych, których celem było opracowanie metod pozwalających na wczesną identyfikację uszkodzeń zębów w postaci pittingu powierzchni roboczych, wykruszenia wierzchołka, pęknięcia u podstawy zęba oraz częściowego wyłamania zęba. Dokonano oceny efektywności wybranych metod przetwarzania sygnałów wibroakustycznych w procesie wykrywania uszkodzeń kół zębatych przy jednoczesnym występowaniu uszkodzeń łożyskowania przekładni pracujących w różnych warunkach. Wstępnie przetworzone sygnały drganiowe analizowane w dziedzinie czasu i częstotliwości stanowiły podstawę do opracowania miar diagnostycznych wrażliwych na wczesne stadia uszkodzeń. Miary otrzymane w wyniku symulacji oraz badań doświadczalnych wykorzystano do budowy zestawu wzorców klasyfikatora neuronowego diagnozującego rodzaj i stopień uszkodzenia kół przekładni z błędem walidacji poniżej 5%. Uzyskana zgodność jakościowa i ilościowa wyników badań symulacyjnych i doświadczalnych wykazała, że wykorzystanie rozbudowanego i zidentyfikowanego modelu dynamicznego przekładni w układzie napędowym, umożliwia pozyskanie wiarygodnych relacji diagnostycznych
    Toothed gears are commonly used in various power transmission systems. Collecting information about degradation processes early enough is crucial during their exploitation. It enables suitable planning of required inspections and repairs, improving the reliability of all kinetic chain elements. The article includes results of the team’s research work on vibroacoustic diagnostic of gearbox components’ faults. A review of simulation and experimental researches that aimed at elaboration of methods which would enable early identification of teeth faults in the form of working surface pitting, spalling of tooth crest, crack at the tooth bottom as well as partial breaking of a tooth, is presented. Assessment of selected methods of processing the vibroacoustic signals during the detection of gear faults has been carried out while faults occur in gear bearings working under various conditions. The initially processed vibration signals analyzed within time and frequency domains constituted a basis for preparation of detection measures that were sensitive to early stages of damage. The measures obtained as a result of simulation and experimental tests were used to construct a set of neuron classifier models to diagnose the type and degree of toothed wheels faults with a validation error below 5%. The achieved qualitative and quantitative conformity of simulation and experimental research results has shown that application of an expanded and identified dynamic model of the gear in a power transmission system enables the acquisition of reliable diagnostic relations.
    Źródło:
    Eksploatacja i Niezawodność; 2011, 1; 68-77
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modified convolutional neural network with global average pooling for intelligent fault diagnosis of industrial gearbox
    Diagnostyka błędów przekładni przemysłowych z wykorzystaniem zmodyfikowanej splotowej sieci neuronowej z globalnym uśrednieniem wartości dla poszczególnych kanałów
    Autorzy:
    Li, Yaxin
    Wang, Kesheng
    Powiązania:
    https://bibliotekanauki.pl/articles/300870.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    modified convolutional neural network
    global average pooling
    intelligent fault diagnosis
    industrial Gearbox
    zmodyfikowana splotowa sieć neuronowa
    globalne uśrednienie względem kanałów
    inteligentna diagnostyka błędów
    przekładnia przemysłowa
    Opis:
    Gearboxes are key transmission components and widely used in various industrial applications. Due to the possible operational conditions, such as varying rotational speeds, long period of heavy loads, etc., gearboxes may easily be prone to failure. Condition Monitoring (CM) has been proved to be an effective methodology to improve the safety and reliability of gearboxes. Deep learning approaches, nowadays, further enable the CM with more powerful capability to exploit faulty information from massive data and make intelligently diagnostic decisions. However, for most of conventional deep learning models, such as Convolutional Neural Network (CNN), a large amount of labelled training data is a prerequisite, while to obtain the labelled data is usually a laborious and time-consuming job and sometimes even unattainable. In this paper, to handle the case of only a limited labelled data is available, a modified convolutional neural network (MCNN) is proposed by integrating global average pooling (GAP) to reduce the number of trainable parameters and simplify the architecture of deep learning model. The proposed MCNN improves the traditional CNN’s ability in fault diagnosis with limited labelled data. Two experimental gearbox datasets are utilized to demonstrate the effectiveness of the proposed MCNN method. Compared with traditional deep learning approaches, namely LSTM, CNN and its variant methods, the experimental results show that the proposed MCNN with higher discrimination and generalization ability in fault classification and diagnostics under the scenario of limited labelled training samples.
    Przekładnie stanowią kluczowe elementy układów napędowych i jako takie znajdują szerokie zastosowane w przemyśle. Ze względu na warunki eksploatacji, takie jak różne prędkości obrotowe czy długie okresy pracy pod dużym obciążeniem itp., przekładnie mogą łatwo ulegać uszkodzeniom. Udowodniono, że monitorowanie stanu skutecznie poprawia bezpieczeństwo i niezawodność przekładni. Podejścia oparte na uczeniu głębokim umożliwiają ponadto monitorowanie stanu z większym wykorzystaniem informacji o błędach pochodzących z dużych zbiorów danych i podejmowanie inteligentnych decyzji diagnostycznych. Jednak w przypadku większości konwencjonalnych modeli uczenia głębokiego, takich jak splotowe sieci neuronowe (convolutional neural networks, CNN), wymagana jest duża ilość etykietowanych danych uczących, których pozyskanie jest zwykle zadaniem praco- i czasochłonnym, a czasem wręcz niemożliwym do wykonania. W niniejszej pracy, przedstawiono zmodyfikowaną splotową sieć neuronową (modified convolutional neural network, MCNN), która rozwiązuje problem dostępności danych etykietowanych poprzez zastosowanie globalnego uśrednienia względem kanałów (global average pooling), co pozwala na zmniejszenie liczby możliwych do wyuczenia parametrów i uproszczenie architektury modelu głębokiego uczenia. W porównaniu do tradycyjnych sieci CNN, proponowana sieć MCNN zwiększa możliwości diagnozowania błędów przy ograniczonych danych etykietowanych. Skuteczność proponowanej metody wykazano na przykładzie dwóch zbiorów danych doświadczalnych dotyczących błędów przekładni. Wyniki eksperymentalne pokazują, że, w porównaniu z tradycyjnymi metodami uczenia głębokiego, takimi jak LSTM, CNN oraz warianty tej ostatniej, proponowane podejście MCNN daje większe możliwości rozróżniania i uogólniania podczas klasyfikacji i diagnostyki błędów w przypadku ograniczonej dostępności etykietowanych danych uczących.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 1; 63-72
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of the local meshing plane in detecting assembly and manufacturing errors of gears
    Wykorzystanie lokalnej płaszczyzny przyporu w wykrywaniu błędów wykonania i montażu przekładni zębatych
    Autorzy:
    Mączak, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/328047.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    przekładnia zębata
    diagnostyka
    modelowanie
    lokalna płaszczyzna przyporu
    sygnał niestacjonarny
    diagnostyka uszkodzeń
    gear
    diagnosis
    local meshing plane analysis
    nonstationary signals
    fault diagnosis
    gearbox modelling
    Opis:
    In the paper application of the local meshing plane concept is discussed and applied for overall gear quality assessment. Knowing the kinematic properties of the machine (i.e. gear teeth numbers) it is possible to modify the gearbox vibroacoustic signal in such a manner that its fragments will be linked to different rotating parts. This allows for presentation of a raw or processed gearbox signal in a form of three dimensional map on the plane "pinion teeth x gear teeth" called local meshing plane. Meshing plane in Cartesian coordinates allows for precise location and assessment of gear faults in terms of meshing quality of consecutive teeth pairs. Although the method was applied to simulated signals generated by a gearbox model, similar results were obtained for the measurement signals recorded during the back-to-back test stand experiment. Described method could be used for assessing the manufacturing quality of gears, the assembly quality as well as for the fatigue gear failure evaluation during normal exploitation.
    W artykule przedstawiono możliwość wykorzystania lokalnej płaszczyzny przyporu do oceny jakości pracy przekładni zębatej. Znając własności kinematyczne przekładni (tj. liczby zębów kół) możliwe jest takie przekształcenie sygnału wibroakustycznego emitowanego przez przekładnię, że poszczególne jego fragmenty będą związane z kinematyką wirujących wałów. Pozwala to na przedstawienie oryginalnego lub przetworzonego sygnału w formie trójwymiarowej mapy na płaszczyźnie "zęby zębnika x zęby koła" nazywanej lokalną płaszczyzną przyporu. Płaszczyzna przyporu, we współrzędnych kartezjańskich pozwala na lokalizację i ocenę uszkodzeń przekładni poprzez ocenę jakości poszczególnych przyporów wszystkich par zębatych. Metodę zaprezentowano na przykładzie sygnałów generowanych przez model symulacyjny przekładni zębatej oraz zweryfikowano na stanowisku mocy krążącej. Opisana metoda może być używana zarówno do oceny jakości wykonania i montażu jak też do wykrywania uszkodzeń zmęczeniowych przekładni zębatych.
    Źródło:
    Diagnostyka; 2011, 4(60); 47-52
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gear fault detection using vibration analysis
    Wykrywanie uszkodzeń przekładni na podstawie analizy drgań
    Autorzy:
    Wilk, A.
    Łazarz, B.
    Madej, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/329664.pdf
    Data publikacji:
    2008
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    przekładnia zębata
    drgania
    uszkodzenie kół
    diagnostyka
    gearbox
    vibration
    gear fault
    diagnostics
    Opis:
    The article includes results of the team's research work on vibroacoustic diagnostic of gearbox components' faults. A review of simulation and experimental researches that aimed at elaboration of methods which would enable early identification of teeth faults in the form of working surface pitting, spalling of tooth crest, crack at the tooth bottom as well as partial breaking of a tooth, is presented. Assessment of selected methods of processing the vibroacoustic signals during the detection of gear faults has been carried out while faults occur in gear bearings working under various conditions. The initially processed vibration signals analyzed within time and frequency domains constituted a basis for preparation of detection measures that were sensitive to early stages of damage. The measures obtained as a result of simulation and experimental tests were used to construct a set of neuron classifier models to diagnose the type and degree of toothed wheels faults with a validation error below 5%. The achieved qualitative and quantitative conformity of simulation and experimental research results has shown that application of an expanded and identified dynamic model of the gear in a power transmission system enables the acquisition of reliable diagnostic relations.
    W artykule zawarto wyniki prac zespołu w zakresie diagnostyki wibroakustycznej uszkodzeń elementów przekładni zębatych. Przedstawiono przegląd badań symulacyjnych i doświadczalnych, których celem było opracowanie metod pozwalających na wczesną identyfikację uszkodzeń zębów w postaci pittingu powierzchni roboczych, wykruszenia wierzchołka, pęknięcia u podstawy zęba oraz częściowego wyłamania zęba. Dokonano oceny efektywności wybranych metod przetwarzania sygnałów wibroakustycznych w procesie wykrywania uszkodzeń kół zębatych przy jednoczesnym występowaniu uszkodzeń łożyskowania przekładni pracujących w różnych warunkach. Wstępnie przetworzone sygnały drganiowe analizowane w dziedzinie czasu i częstotliwości stanowiły podstawę do opracowania miar diagnostycznych wrażliwych na wczesne stadia uszkodzeń. Miary otrzymane w wyniku symulacji oraz badan doświadczalnych wykorzystano do budowy zestawu wzorców klasyfikatora neuronowego diagnozującego rodzaj i stopień uszkodzenia kół przekładni z błędem walidacji poniżej 5%. Uzyskana zgodność jakościowa i ilościowa wyników badań symulacyjnych i doświadczalnych wykazała, że wykorzystanie rozbudowanego i zidentyfikowanego modelu dynamicznego przekładni w układzie napędowym umożliwia pozyskanie wiarygodnych relacji diagnostycznych.
    Źródło:
    Diagnostyka; 2008, 3(47); 111-116
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Compound fault detection in gearbox based on time synchronous resample and adaptive variational mode decomposition
    Wykrywanie złożonych błędów przekładni na podstawie synchronicznego próbkowania wtórnego oraz adaptacyjnej metody wariacyjnej dekompozycji modalnej
    Autorzy:
    Zhang, Xin
    Zhao, Jianmin
    Powiązania:
    https://bibliotekanauki.pl/articles/301230.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    compound fault
    gearbox
    time synchronous resample
    adaptive variational mode decomposition
    błąd złożony
    przekładnia
    synchroniczne próbkowanie wtórne
    adaptacyjna metoda wariacyjnej dekompozycji modalnej
    Opis:
    Compound fault detection of gearboxes is an ambitious matter considering its interconnection and complication. An innovative means for compound fault detection based on time synchronous resample (TSR) and adaptive variational mode decomposition (AVMD) is put forward in this work. TSR used in the method can enhance fault signals of synchronous shaft gears by eliminating signal components independent of synchronous shaft. Therefore, the TSR is used to separate the synchronous shaft signal corresponding to the gear fault from the raw compound fault signal. Then a series of mode components are obtained by decomposing the synchronous shaft signals of all faults by AVMD. The variational mode decomposition (VMD) can overcome the mode aliasing problem of empirical mode decomposition (EMD), but the decomposition effect of VMD is affected by its parameter setting. Thus, the paper proposes an AVMD algorithm based on whale optimization algorithm (WOA). In the AVMD, the WOA is used to optimizes the parameters of the VMD. After AVMD decomposition, the correlated kurtosis of the mode components obtained by AVMD decomposition is calculated. Then the mode components with the maximum correlated kurtosis are selected to carry out envelope analysis. Finally, the compound fault feature can be found from the envelope spectrum to get the diagnosis results. In order to test the validity of the proposed method, a compound fault experiment is implemented in a gearbox. Through the analysis of the experimental data, it is proved that the method shows a good performance in the compound fault detection of gearbox.
    Wykrywanie złożonych błędów przekładni stanowi trudne zagadnienie ze względu na ich skomplikowany charakter i powiązania wewnętrzne. W pracy zaproponowano nowatorską metodę wykrywania błędów złożonych opartą na synchronicznym próbkowaniu wtórnym (TSR) oraz adaptacyjnej metodzie wariacyjnej dekompozycji modalnej (AVMD). TSR pozwala wzmacniać sygnały błędów występujących w synchronicznych przekładniach walcowych, dzięki eliminacji składowych sygnału niezwiązanych z działaniem wału synchronicznego. Dlatego też w przedstawionych badaniach, TSR wykorzystano do wyodrębnienia sygnału wału synchronicznego odpowiadającego błędowi przekładni, z surowego sygnału błędu złożonego. Następnie wszystkie sygnały błędu wału synchronicznego poddano dekompozycji za pomocą AVMD, dzięki czemu otrzymano szereg składowych modalnych. Wariacyjna dekompozycja modalna (VMD) pozwala uniknąć problemu aliasingu, który występuje w przypadku empirycznej dekompozycji modalnej (EMD), przy czym efekt dekompozycji zależy od ustawień parametrów. Dlatego w artykule zaproponowano adaptacyjny algorytm VMD oparty na algorytmie optymalizacji wielorybów (WOA), który optymalizuje parametry VMD. Następnym krokiem po dekompozycji AVMD, było obliczenie skorelowanej kurtozy składowych modalnych otrzymanych na drodze tej dekompozycji. Składniki modalne o najwyższych wartościach skorelowanej kurtozy wykorzystano do przeprowadzenia analizy obwiedni. Błąd złożony wykrywano na podstawie widma obwiedni. Skuteczność proponowanej metody sprawdzono przeprowadzając doświadczenie na przekładni, w której występował błąd złożony. Wyniki eksperymentu pokazują, że proponowane podejście stanowi skuteczną metodę wykrywania złożonych błędów.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 1; 161-169
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gearbox faults identification using vibration signal analysis and artificial intelligence methods
    Identyfikacja uszkodzeń skrzyni biegów za pomocą analizy sygnału drgań oraz metod sztucznej inteligencji
    Autorzy:
    Zuber, N.
    Bajrić, R.
    Šostakov, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/301941.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    drgania skrzyni biegów
    uszkodzenie skrzyni biegów
    sztuczna sieć neuronowa
    samoorganizująca się mapa cech
    gearbox vibration
    gear fault
    artificial neural network
    self-organized feature map
    Opis:
    Artykuł omawia zastosowanie sztucznych sieci neuronowych opartych na cechach oraz analizy drgań do celów automatycznej identyfikacji uszkodzeń skrzyni biegów. Prace eksperymentalne przeprowadzono na specjalnie zaprojektowanym stanowisku badawczym, a uzyskane wyniki zweryfikowano na przykładzie przekładni przenośnika taśmowego koparki wielonaczyniowej SRs 1300 wykorzystywanej w kopalni odkrywkowej. Cechy drgań w dziedzinie czasu i częstotliwości są wykorzystywane jako wejścia klasyfikatorów uszkodzeń. Kompletny zbiór proponowanych cech drgań wykorzystano jako wejścia samoorganizujących się map cech, a na podstawie wyników opracowano zredukowany zbiór cech drgań, które wykorzystano jako wejścia do nadzorowanych sztucznych sieci neuronowych. Zbadano dwa typowe uszkodzenia przekładni : zużycie przekładni oraz brakujące zęby przekładni. Uzyskane wyniki wskazują, że proponowany zbiór cech drgań umożliwia niezawodną identyfikację rozwijających się uszkodzeń w układach przenoszenia napędu z kołami zębatymi.
    The paper addresses the implementation of feature based artificial neural networks and vibration analysis for the purpose of automated gearbox faults identification. Experimental work has been conducted on a specially designed test rig and the obtained results are validated on a belt conveyor gearbox from a mine strip bucket wheel excavator SRs 1300. Frequency and time domain vibration features are used as inputs to fault classifiers. A complete set of proposed vibration features are used as inputs for selforganized feature maps and based on the results a reduced set of vibration features are used as inputs for supervised artificial neural networks. Two typical gear failures were tested: worn gears and missing teeth. The achieved results show that proposed set of vibration features enables reliable identification of developing faults in power transmission systems with toothed gears.
    Źródło:
    Eksploatacja i Niezawodność; 2014, 16, 1; 61-65
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gearbox faults feature selection and severity classification using machine learning
    Autorzy:
    Zuber, Ninoslav
    Bajrić, Rusmir
    Powiązania:
    https://bibliotekanauki.pl/articles/1841932.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gearbox fault
    vibration analysis
    machine learning
    Opis:
    The most widely used technique for gearbox fault diagnosis is still vibration analysis. The need for gearbox condition monitoring in an automated process is essential and there is still a problem with the selection of features that best describe a fault or its severity level. For this purpose, multiple-domain vibration signals statistic features are extracted through time and frequency domain by postprocessing of raw time signal, time-synchronous average signal, frequency spectra and cepstrum. Five different datasets are considered with different levels of fault analyzing gear chipped and a missing tooth, gear root crack, and gear tooth wear under stable running speed and load. A preliminary experimental study of a single stage test bench gearbox was performed in order to test feature sensitivity to type and level of fault in the process of clustering and classification. Selected features were finally processed using an artificial neural network classifier.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 4; 748-756
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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