Diagnozowanie uszkodzeń łożysk tocznych z wykorzystaniem wybranych klasyfikatorów

Fault diagnosis of roller bearings using selected classifiers

  • Jakub Piekoszewski Politechnika Świętokrzyska w Kielcach, Wydział Elektrotechniki, Automatyki i Informatyki
Keywords: analiza uszkodzeń, perceptron wielowarstwowy, sieć bayesowska, drzewo decyzyjne, sieć neuronowa o radialnych funkcjach bazowych, algorytm k najbliższych sąsiadów, aplikacja WEKA

Abstract

Niewielkie uszkodzenie łożysk tocznych może prowadzić do poważnej awarii urządzenia. Zatem, bardzo ważnym jest wykrycie takich defektów na ich początkowym etapie powstawania aby zapobiec dalszym uszkodzeniom. W pracy przedstawiono kilka wybranych teoretycznych narzędzi z obszaru sztucznej inteligencji zastosowanych do rozwiązania problemu diagnozowania uszkodzeń łożysk tocznych. Rozważanymi narzędziami są: algorytm k najbliższych sąsiadów, drzewo decyzyjne, maszyna wektorów podpierających, perceptron wielowarstwowy, sieć bayesowska oraz sieć neuronowa o radialnych funkcjach bazowych. Rezultaty wszystkich eksperymentów zostały otrzymane z wykorzystaniem rzeczywistych danych oraz aplikacji WEKA (ang. Waikato Environment for Knowledge Analysis) dostępnej na stronach Uniwersytetu Waikato w Nowej Zelandii.

References

1. Muthukumarasamy A., Ganeriwala S., Diagnosis of rolling element bearing faults using envelope analysis, Tech Note, 2009.
2. Uszkodzenia łożysk oraz ich przyczyny, podręczniku obsługi łożysk firmy SKF.
3. Kutalek D., Hammer M., Vibration diagnostics of rolling bearings using the time series analysis, MM Science Journal, 2015.
4. Li B., Chow Mo-Y., Tipsuwan Y., Hung J.C., Neural network based motor rolling bearing fault diagnosis, IEEE Transactions on Industrial Electronics, vol. 47, 2000.
5. Klimowski M., Diagnostyka łożysk tocznych silników elektrycznych przy wykorzystaniu metody analizy częstotliwościowej oraz metody detekcji obwiedni, Maszyny Elektryczne, tom 2 (102), 2014.
6. Koronacki J., Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, 2008
7. Mitchell T., Machine Learning, McGraw Hill, 1997.
8. Case Western Reserve University Bearing Data Center Website (http://csegroups.case.edu/bearingdatacenter/home).
9. Bischop C. M., Pattern Recognition and Machine Learning, Springer-Verlag, New York, 2006.
10. Piekoszewski J., Analiza porównawcza wybranych klasyfikatorów w diagnozowaniu uszkodzeń przekładni zębatych, Autobusy: technika, eksploatacja, systemy transportowe, tom 18, 2017.
11. Rudziński F., A multi-objective genetic optimization of interpretability-oriented fuzzy rule-based classifiers, Applied Soft Computing, vol. 38, 2016.
12. Gorzałczany M. B., Rudziński F., A multi-objective genetic optimization for fast, fuzzy rule-based credit classification with balanced accuracy and interpretability, Applied Soft Computing, vol. 50(50), 2016.
13. Gorzałczany M B., Piekoszewski J., Rudziński F., Generalized tree-like self-organizing neural networks with dynamically defined neighborhood for cluster analysis, Artificial Intelligence and Soft Computing, 13th International Conference, ICAISC 2014, Za-kopane, Poland, June 1-5, 2014, Proceedings, Part II, 2014.
14. Gorzałczany M B., Piekoszewski J., Rudziński F., Generalized SOMs with Splitting-Merging Tree-Like Structures for WWW-Document Clustering, Advances in Intelligent Systems Research, vol. 89, 2015.
Published
2018-12-21
Section
Eksploatacja i Testy/Exploitation and Tests