MOST CITED
Update: 2021-07-01
Task „Implementation of procedures ensuring the originality of scientific papers published in the quarterly „Eksploatacja i Niezawodność – Maintenance and Reliability” financed under contract 532/P-DUN/2018 from the funds of the Minister of Science and Higher Education for science dissemination activities.
Ninoslav Zuber
Identyfikacja uszkodzeń skrzyni biegów za pomocą analizy sygnału drgań oraz metod sztucznej inteligencji
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.
Relacje między parametrami procesów rozdrabniania i drganiami młyna wentylatorowego a ustawienia programu konserwacji predykcyjnej
Młyny wentylatorowe są urządzeniami, które poprzez suszenie, rozdrabnianie, odsiewanie i transport węgla przygotowują mieszankę pyłowo-gazową przeznaczoną do spalania w komorach paleniskowych elektrowni węglowych. Ich uniwersalność zwykle wiąże się z niestabilną pracą połączoną z niepożądanymi drganiami. Jest to zwykle znaczący problem z uwagi na niezaplanowane przerwy w pracy. Program konserwacji młyna wentylatorowego wymaga szczególnej uwagi ze względu na działanie w niestacjonarnych warunkach pracy. Celem artykułu jest wyznaczenie parametrów procesów rozdrabniania wpływających jednocześnie na poziom i natężenie drgań młyna wentylatorowego przy użyciu reguł statystycznych w zróżnicowanych warunkach pracy. Zamierzeniem pracy jest stworzenie podstaw dla badań nad zależnościami między parametrami procesu rozdrabniania a drganiami młyna wentylatorowego w celu ulepszenia programu konserwacji predykcyjnej. Aby osiągnąć założony cel, przeanalizowano przy użyciu narzędzi statystycznych drgania młyna wentylatorowego przy różnych kombinacjach wybranych parametrów procesu rozdrabniania. Badania przeprowadzono w różnych warunkach na dwóch identycznych, lecz odrębnych młynach wentylatorowych. Wpływ parametrów procesu rozdrabniania, takich jak prąd elektryczny silnika napędowego, pojemność młyna, kotły, czy typ węgla, na drgania młyna zbadano w celu określenia potencjalnych awarii młyna i jego części składowych na potrzeby jego konserwacji predykcyjnej. Wyniki badań pokazały, iż wybrane parametry procesu rozdrabniania nie mają znaczącego wpływu na natężenie drgań młyna wentylatorowego. W przeciwieństwie do większości młynów węglowych, w przypadku których należy brać pod uwagę parametry procesu rozdrabniania, kontrola stanu młynów wentylatorowych może być prowadzona w trybie offline lub online za pomocą standardowych metod monitorowania warunków drgania.
Gearbox faults identification using vibration signal analysis and artificial intelligence methods
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.
Relations between pulverizing process parameters and beater wheel mill vibration for predictive maintenance program setup
Beater wheel mills are designed to prepare a coal powder air fuel mixture for combustion in furnace chambers of coal-fired power plants by coal drying, pulverizing, classifying and transport. Their multipurpose function usually results in operation instability accompanied by unacceptable vibration. This usually is a significant problem due to unplanned shutdowns. Beater wheel mill maintenance program requires special attention due to operation under non-stationary conditions. The purpose of this paper was to identify pulverizing process parameter that affect the beater wheel mill vibration level and severity at the same time by using statistical principles under a wide range of operating conditions. This paper intends to establish the foundations to investigate correlation of pulverizing process parameter with beater wheel mill vibration in order to setup a better predictive maintenance program. To achieve this goal, the beater wheel mill vibration under different combinations of selected pulverizing process parameters are analyzed using statistical tools. Experiments were carried out under different conditions for two identical but separated beater wheel mills. The influence of pulverizing process parameter, such as electrical current of the driving motor, mill capacity, boiler production, coal types on mill vibration are investigated to identify the potential malfunction of beater wheel mills and their associated components for predictive maintenance purposes. The results have demonstrated that the selected pulverizing process parameters do not have significant influence on beater wheel mill vibration severity. Unlike most coal mills where pulverizing process parameters must take into account, here with beater wheel impact mills it is not the case and condition monitoring of these mills could be conducted offline or online using standard vibration condition monitoring methods.
Zastosowanie sztucznych sieci neuronowych oraz analizy głównych składowych sygnału drgań do automatycznej klasyfikacji uszkodzeń łożysk tocznych
Artykuł omawia zastosowanie sztucznych sieci neuronowych opartych na cechach oraz analizy drgań do celów automatycznej identyfikacji uszkodzeń łożysk tocznych. Cechy drgań mające posłużyć jako dane wejściowe do nadzorowanych sztucznych sieci neuronowych wybrano na podstawie analizy głównych składowych, która stanowi jedną z metod zmniejszania rozmiaru zbioru danych statystycznych. Badania prowadzono na specjalnie do tego celu zaprojektowanym stanowisku badawczym oraz na układzie napędu żurawia portowego firmy Ganz w porcie Novi Sad w Serbii. Jako wejścia klasyfikatorów uszkodzeń wykorzystano różne skalarne cechy drgań określone w dziedzinie czasu i częstotliwości. Badano kilka typów uszkodzeń łożysk tocznych przy różnych poziomach obciążenia: uszkodzenia dyskretne w obrębie pierścienia wewnętrznego i zewnętrznego łożyska oraz nadmierny luz. Wykazano, że proponowany zbiór cech wejściowych umożliwia niezawodną identyfikację uszkodzeń łożysk tocznych oraz zapewnia lepszą wydajność zastosowanych sztucznych sieci neuronowych.
Application of artificial neural networks and principal component analysis on vibration signals for automated fault classification of roller element bearings
The article addresses the implementation of feature based artificial neural networks and vibration analysis for automated roller element bearings faults identification purpose. Vibration features used as inputs for supervised artificial neural networks were chosen based on principal component analysis as one of the possible methods of data dimension reduction. Experimental work has been conducted on a specially designed test rig and on a drive of the Ganz port crane in port of Novi Sad, Serbia. Different scalar vibration features derived from time and frequency domain were used as inputs to fault classifiers. Several types of roller elements bearings faults, at different levels of loads were tested: discrete faults on inner and outer race and looseness. It is demonstrated that proposed set of input features enables reliable roller element bearing fault identification and better performance of applied artificial neural networks.
Eksperymentalne wyznaczanie sił poprzecznych wywołanych skrętem suwnicy podczas jazdy
Stan suwnicy pomostowej zależy od dużej liczby zmiennych losowo zmieniających się w czasie. Ze względu na dużą liczbę parametrów, siły skośne mają charakter stochastyczny. Chociaż w normach traktowane są one jako obciążenia sporadyczne, ich dynamiczne oddziaływanie w niektórych przypadkach może powodować zmęczeniowe uszkodzenie mechanizmu jazdy suwnicy, jak również jego konstrukcji oraz elementów toru jezdnego. Obecnie obowiązujące normy europejskie pozostawiają bez rozwiązania kwestię wpływu sił skośnych na występowanie uszkodzeń zmęczeniowych. W pracy przedstawiono metodę eksperymentalnego wyznaczania sił poprzecznych działających na koła pionowe suwnicy pomostowej. Metoda ta polega na użyciu dwóch różnych rozwiązań przetworników do bezpośredniego pomiaru sił na kołach pracującej suwnicy, bez zmiany sposobu prowadzenia bocznego . Dla ilustracji pokazano kilka zapisów pomiarów siły poprzecznej koła w funkcji czasu. Przedstawienie takich zapisów w postaci widma obciążenia (np. za pomocą oprogramowania nCode ), uzyskanego podczas długotrwałego lub ciągłego monitorowania suwnicy w trakcie jej eksploatacji, stanowi pierwszy krok do znalezienia rozwiązania nierozwikłanego do tej pory problemu.
Experimental determination of lateral forces caused by bridge crane skewing during travelling
Crane condition depends on the large number of variables randomly changing in time. Due to the large number of parameters, skewing forces have stochastic character. Though in standards treated as occasional loads, their dynamic action in certain cases can cause fatigue damage of the crane travelling mechanisms, structure and runway components. Current European Norms have left the question of skewing forces influence upon the fatigue damage occurrence unresolved. The paper presents an experimental determination of lateral forces acting on the vertical wheels of a bridge crane using two different solutions of transducers for the direct measurement on the wheels of the cranes in operation, without changing the way of lateral guiding. As an illustration, few records of the measured wheel lateral force vs. time are shown. Presentation of such records in the form of a loading spectrum (e.g. using the software nCode), obtained during long-lasting or continuous monitoring of cranes in operation, is the first step in finding the relevant answer to the previously unresolved question.
Gearbox faults feature selection and severity classification using machine learning
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.
The analysis of influential parameters on calibration and feeding accuracy of belt feeders
Continual material feeding represents a process of great importance for process industries. Feeding with belt feeders represents one of the most common methods. Belt feeders are devices that require little space, they are not expensive and, most importantly, they do not interrupt material flow while feeding. Calibration of belt feeders, as well as other measur-ing devices, is a prerequisite for measuring and achieving a defined level of measurement accuracy. On the other hand, the defined level of measurement accuracy is often difficult to achieve in practice due to the multitude of factors that affect the operation of belt feeders. Existing mathematical models indicate a number of influential factors on measurement ac-curacy. The paper presents the measurement procedure performed on a belt feeder in labora-tory conditions, with variable speeds and belt tensions and the known raised position of the measuring idler. Based on the obtained results, appropriate conclusions were made about the influences on calibration and measurement accuracy