Выявление дефектов подшипника качения с использованием системы признаков на основе теории активного восприятия

В.В. Кондратьев; В.А. Утробин; Н.Н. Макаров; В.Е. Гай

Выявление дефектов подшипника качения с использованием системы признаков на основе теории активного восприятия

В.В. Кондратьев¹, В.А. Утробин², Н.Н. Макаров³, В.Е. Гай⁴

научная статья Страницы: 31-36

¹ член-корр. РАН, д.т.н., профессор, зав. кафедрой, Нижегородский государственный технический университет им. Р.Е. Алексеева
² д.т.н., профессор, Нижегородский государственный технический университет им. Р.Е. Алексеева
^3,4 к.т.н., доцент, Нижегородский государственный технический университет им. Р. Е. Алексеева

Ключевые слова: вибрационный сигнал подшипник качения цифровая обработка сигналов диагностика теория активного восприятия

Аннотация

Предложен метод выявления дефектов подшипника качения на основе анализа изменений его виброхарактеристик во времени. Показано, что признаковое описание вибросигнала формируется на основе теории активного восприятия. Выполнена классификация состояния подшипника на основе метода сравнения с эталоном, мера близости - метрика L1; точность классификации состояния подшипника на основе предложенного метода составляет 95-100 %.

Для цитирования

Кондратьев В.В., Утробин В.А., Макаров Н.Н., Гай В.Е. Выявление дефектов подшипника качения с использованием системы признаков на основе теории активного восприятия // Информационно-измерительные и управляющие системы. 2015. № 3. С. 31–36.

Список источников

Панов В.А. Виброакустическая диагностика неразборных подшипников при ремонте авиационных двигателей // Двигатель. 2011. Т. 76. № 4. С. 28-31.
Nelwamondo F.V., Marwala T., Mahola U. Early classifications of bearing faults using hidden Markov models, Gaussian mixture models, mel-frequency cepstral coefficients and fractals // International Journal of Innovative Computing, Information and Control. 2006. V. 2. №. 6. P. 1281-1299.
Boldt F. de A., Rauber T.W., Varejão F.M. Feature Extraction and Selection for Automatic Fault Diagnosis of Rotating Machinery // X Encontro Nacional de Inteligência Artificial e Computacional (ENIAC). Fortaleza, Ceará. 2013. P. 213-220.
Al-Raheem K.F., Abdul-Karem W. Rolling bearing fault diagnostics using artificial neural networks based on Laplace wavelet analysis // International Journal of Engineering, Science and Technology. 2010. V. 2. № 6. P. 278-290.
Баранов В.Г., Кондратьев В.В., Милов В.Р., Зарипова Ю.Х. Нейросетевые алгоритмы распознавания образов // Нейрокомпьютеры: разработка, применение. 2007. № 11. С. 20-27.
Утробин В.А. Элементы теории активного восприятия изображений // Труды Нижегородского государственного технического университета им. Р.Е. Алексеева. 2010. Т. 81. № 2. С. 61-69.
Гай В.Е. Метод оценки частоты основного тона в условиях помех // Цифровая обработка сигналов. 2013. № 4. С. 65-71.
Гай В.Е., Айнуллин Д.Т. Алгоритм сегментации звукового сигнала по признаку тон/шум в условиях априорной неопределенности // Нейрокомпьютеры: разработка, применение. 2014. № 11. С. 32-37.
Баранов В.Г., Милов В.Р., Зарипова Ю.Х., Эпштейн А.Ю. Интеллектуализация системы распознавания образов на основе сравнения эффективности методов классификации // Информационно-измерительные и управляющие системы. 2010. Т. 8. № 2. С. 35-39.
Баранов В.Г., Кольцов В.А., Милов В.Р., Милов Д.В., Гай В.Е. Экспертная система оценки состояния элементов транспортно-технологического оборудования в процессе перегрузочных операций // Информационно-измерительные и управляющие системы. 2013. №7. С. 67-71.

[1] Панов В.А. Виброакустическая диагностика неразборных подшипников при ремонте авиационных двигателей // Двигатель. 2011. Т. 76. № 4. С. 28-31.

[2] Nelwamondo F.V., Marwala T., Mahola U. Early classifications of bearing faults using hidden Markov models, Gaussian mixture models, mel-frequency cepstral coefficients and fractals // International Journal of Innovative Computing, Information and Control. 2006. V. 2. №. 6. P. 1281-1299.

[3] Boldt F. de A., Rauber T.W., Varejão F.M. Feature Extraction and Selection for Automatic Fault Diagnosis of Rotating Machinery // X Encontro Nacional de Inteligência Artificial e Computacional (ENIAC). Fortaleza, Ceará. 2013. P. 213-220.

[4] Al-Raheem K.F., Abdul-Karem W. Rolling bearing fault diagnostics using artificial neural networks based on Laplace wavelet analysis // International Journal of Engineering, Science and Technology. 2010. V. 2. № 6. P. 278-290.

[5] Баранов В.Г., Кондратьев В.В., Милов В.Р., Зарипова Ю.Х. Нейросетевые алгоритмы распознавания образов // Нейрокомпьютеры: разработка, применение. 2007. № 11. С. 20-27.

[6] Утробин В.А. Элементы теории активного восприятия изображений // Труды Нижегородского государственного технического университета им. Р.Е. Алексеева. 2010. Т. 81. № 2. С. 61-69.

[7] Гай В.Е. Метод оценки частоты основного тона в условиях помех // Цифровая обработка сигналов. 2013. № 4. С. 65-71.

[8] Гай В.Е., Айнуллин Д.Т. Алгоритм сегментации звукового сигнала по признаку тон/шум в условиях априорной неопределенности // Нейрокомпьютеры: разработка, применение. 2014. № 11. С. 32-37.

[9] Баранов В.Г., Милов В.Р., Зарипова Ю.Х., Эпштейн А.Ю. Интеллектуализация системы распознавания образов на основе сравнения эффективности методов классификации // Информационно-измерительные и управляющие системы. 2010. Т. 8. № 2. С. 35-39.

[10] Баранов В.Г., Кольцов В.А., Милов В.Р., Милов Д.В., Гай В.Е. Экспертная система оценки состояния элементов транспортно-технологического оборудования в процессе перегрузочных операций // Информационно-измерительные и управляющие системы. 2013. №7. С. 67-71.

Аннотация

Для цитирования

Похожие статьи