Tytuł pozycji:
Amodel for processing and identifying engine vibration signals
The advancement of the sensor technology becoming increasingly cost-effective and the progress in diagnostic and management research, users nowadays not only demand high reliability from their devices but also the ability for their equipment to self-diagnose errors and provide alerts. These devices often incorporate sensor systems capable of generating plenty of data points, that needed a carefully targeted algorithms for extracting features from the data for classification and prediction models. In this paper, we will develop a comprehensive model for identifying vibration signals. We will extract features from the bearing data provided by Case Western Reserve University Bearing Data Center, then use a deep-learning based convolutional neural network to learn to be a classification model of the motor states based on the vibration signals. The numerical results show that the method can offer the promising accuracy at 85.8%.
Wraz z postępem w technologii czujników, która staje się coraz bardziej tańsza do użycia w badaniach diagnostycznych, użytkownicy wymagają obecnie nie tylko wysokiej niezawodności swoich urządzeń, ale także zdolności ich sprzętu do samodiagnostyki błędów i generowania alertów. Nowej generacje urządzeń zawierają systemy czujników zdolne do generowania mnóstwo danych, co wymagało starannie dobranych algorytmów do wyodrębniania cech charakterystycznych na potrzeby modeli klasyfikacji i predykcji. W tym artykule przedstawimy model do identyfikacji sygnałów drganiowych. Korzystaliśmy z danych pomiarowych łożysk dostępnych w Centrum baz danych łożysk Uniwersytetu Case Western Reserve. Z tych danych pomiarowych, wygenerowano ich spectrogramy do postaci obrazów a następnie wykorzystano splotową sieć neuronową opartą na głębokim uczeniu się do tworzenia model klasyfikacji stanów silnika w oparciu o sygnały wibracyjne. Wyniki liczbowe pokazują, że metoda ta może zapewnić obiecującą dokładność na poziomie 85,8%.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
