Możliwości neuronowej klasyfikacji stanu w zmiennych warunkach pracy obiektu.

Celem było sprawdzenie możliwości wykorzystania metody LVQ - Learning Vector Quantization - algorytmu samoorganizacji adaptacyjnego kwantowania wektorowego Kohonena sieci neuronowych do syntezy symptomów pozwalających diagnozować stan wybranej klasy obiektów przy zmiennych warunkach pracy: prędkości obrotowej i obciążeniu. Dla uczenia sieci wykorzystano wybrane składowe widma synchronicznego prędkości drgań składające się z prążków odpowiadających wybranym częstościom harmonicznym prędkości obrotowej oraz zazębienia przekładni, a także punktowych estymat bezwymiarowych. Wybór typu sieci neuronowych umożliwił klasyfikowanie wektorów stanu w sposób nadzorowany. Dzięki wykorzystanej w metodzie LVQ warstwie rywalizującej można było w obecności zadanych załóceń dokonać adekwatnej klasyfikacji stanu urządzenia w zakresie zakładanych zmian warunków pracy. Maksymalna sprawność, jaką uzyskano dla sygnałów testujących wyniosła 95%. Większość błędnych rozpoznań związana była ze stanem niesprawnym. Stwierdzono zdolność badanej sieci do uogólniania - prawidłowego rozpoznania stanu przy odmiennych niż w trakcie treningu warunkach pracy urządzenia.

---

In this paper the ability of Learning Vector Quantization NN training algorithm to identifying the disjoint states of rotating machinery in the case of variable operating conditions (VOC) has been examined. Measured signal was the vibration velocity of model gear. A set training data was based on the selected components of amplitude synchronous spectrum. In active identification experiment the setting states has been influenced by loading and rotation speed changes. Max. 95% classification efficiency of state recognition seemed to be possible and the NN ability to generalise the knowledge has been influenced by VOC, especially in the absence of failures.