Multivariable Trend Analysis for System Monitoring Through Self-Organizing Neural Networks

1997 ◽  
Vol 119 (2) ◽  
pp. 223-228
Author(s):  
Siyu Zhang ◽  
R. Ganesan
Keyword(s):  
Trend Analysis ◽  
Diagnostic Procedure ◽  
Vibration Signal ◽  
Machine Condition Monitoring ◽  
Diagnostic Indices ◽  
Condition Monitoring Systems ◽  
On Line ◽  
Neural Network Algorithm ◽  
Diagnostic Index ◽  
Self Organizing

For precise and reliable fault detection it is essential to consider simultaneously the changes in several diagnostic indices that are extracted from the on-line vibration signal. Existing machine condition monitoring systems consider each diagnostic index separately. Development of an automated diagnostic procedure that considers simultaneously several diagnostic indices is the objective of the present paper. The multivariable trend analysis of on-line vibration signals is deployed as the basis for this procedure. An efficient self-organizing neural network algorithm that is highly suitable to this diagnostic procedure is developed and deployed. Applications to both a bearing system as well as a gearbox system are fully developed and demonstrated.

Multivariable Trend Analysis Using Neural Networks for Intelligent Diagnostics of Rotating Machinery

1997 ◽  
Vol 119 (2) ◽  
pp. 378-384 ◽  
Author(s):  
S. Zhang ◽  
R. Ganesan
Keyword(s):  
Neural Network ◽  
Neural Networks ◽  
Trend Analysis ◽  
Condition Monitoring ◽  
Diagnostic Procedure ◽  
On Line ◽  
Neural Network Algorithm ◽  
Intelligent Diagnostics ◽  
Bearing System ◽  
Self Organizing

The objective of this paper is the development of an efficient intelligent diagnostic procedure that considers several diagnostic indices for the quantification of developing faults and for monitoring machine condition. In this procedure, the condition monitoring is performed based on the on-line vibration measurements, and further, the fault quantification is formulated into a multivariate trend analysis. Self-organizing neural networks are then deployed to perform the multivariable trending of the fault development. The attributes for the disordering of “knots” in the trend analysis are determined. The disordering of neural network units is then eliminated by suitably altering the self-organizing neural network algorithm. Applications of this diagnostic procedure to the condition monitoring and life estimation of a bearing system are fully developed and demonstrated. The efficiency and advantages of the intelligent diagnostic procedure in precisely monitoring and quantifying the fault development are systematically brought out considering this bearing system.

A New Approach to Machinery Monitoring and Diagnostics Using Self-Organizing Maps

1995 ◽  
Author(s):  
Siyu Zhang ◽  
R. Ganesan ◽  
T. S. Sankar
Keyword(s):  
Neural Network ◽  
Service Life ◽  
Trend Analysis ◽  
New Approach ◽  
Machine System ◽  
Network Algorithm ◽  
On Line ◽  
Neural Network Algorithm ◽  
Monitoring And Diagnostics ◽  
Self Organizing

Abstract The problem of estimating an unknown multivariate function from on-line vibration measurements, for determining the conditions of a machine system and for estimating its service life is considered. This problem is formulated into a multiple-index based trend analysis problem and the corresponding indices for trend analysis are extracted from the on-line vibration data. Selection of these indices is based on the simultaneous consideration of commonly-observed faults or malfunctions in the machine system being monitored. A neural network algorithm that has been developed by the present authors for multiple-index based regression is adapted to perform the trend analysis of a machine system. Applications of this neural network algorithm to the condition monitoring and life estimation of both a bearing system as well as a gearbox are fully demonstrated. The efficiency and computational supremacy of the new algorithm are established through comparing with the performance of Self-Organizing Mapping (SOM) and Constrained Topological Mapping (CTM) algorithms. Further, the usefulness of multiple-index based trend analysis in precisely predicting the condition and service life of a machine system is clearly demonstrated. Using on-line vibration signal to constitute the set of variables for trend analysis, and employing the newly-developed self-organizing neural algorithm for performing the trend analysis, a new approach is developed for machinery monitoring and diagnostics.

Self-Organizing Neural Networks for Automated Machinery Monitoring Systems

1995 ◽  
Author(s):  
Siyu Zhang ◽  
R. Ganesan ◽  
T. S. Sankar
Keyword(s):  
Neural Network ◽  
Trend Analysis ◽  
Real Life ◽  
Vibration Signal ◽  
Statistical Parameters ◽  
Data Set ◽  
Machine System ◽  
On Line ◽  
Machinery System ◽  
Self Organizing

Abstract Two fundamental problems that are frequently encountered in automated machinery monitoring and diagnostics are formulated into their corresponding mathematical problems of clustering and trend analysis. The need for and the efficiency of multiple-index based trend analysis, in both precisely evaluating the current conditions of a machine system using on-line vibration measurements and obtaining a reliable prediction about its future behaviour, are systematically brought out. Neural network solutions to these problems, particularly the solutions using Self-Organizing Maps (SOM) are sought. Statistical parameters of the on-line vibration signal such as peak-to-peak value, absolute mean value, crest factor etc., are used to form the data set depending on the machinery system being monitored and diagnosed. Self-organizing mapping algorithm is then employed to perform the clustering and feature extraction which takes as the input the multi-dimensional data set and provides as the output the condition of the machinery system. Associated one-layer neural network is developed during the process of SOM and the training of this network is performed in an unsupervised learning mode. A new efficient neural network algorithm that has been previously developed by the present authors for multiple-index based regression is adapted to perform the trend analysis of a machine system. Applications of the above neural network algorithms to the condition monitoring and life estimation of both a bearing system as well as a rotor system are fully demonstrated using real-life data.

Online Monitoring Recognition Theory Based on the Time Series of Chatter

2013 ◽  
Vol 819 ◽  
pp. 160-164
Author(s):  
Yong Xiang Jiang ◽  
Bing Du ◽  
Pan Zhang ◽  
San Peng Deng ◽  
Yu Ming Qi
Keyword(s):  
Time Series ◽  
Chaotic Dynamics ◽  
Online Monitoring ◽  
Vibration Signal ◽  
Threshold Value ◽  
Coarse Grained ◽  
Attractor Dimension ◽  
Machining Chatter ◽  
Recognition Theory ◽  
On Line

On-line monitoring recognition for machining chatter is one of the key technologies in manufacturing. Based on the nonlinear chaotic control theory, the vibration signal discrete time series for on-line monitoring indicator is studed. As in chatter the chaotic dynamics process attractor dimension is reduced, the KolmogorovSinai entropy (K-S) index is extracted to reflected the regularity of workpiece chatter, then the k-S entropy is simplified by coarse - grained entropy rate (CER), which can easily evaluated as chatter online monitoring threshold value. The milling test shows that the CER have a sharp decline when chatter occurre, and can quickly and accurately forecast chatter.

Performance degradation analysis of solid lubricated bearings based on Laplace wavelet filter and self-organizing map

2013 ◽  
Vol 228 (10) ◽  
pp. 1743-1753 ◽  
Author(s):  
Chao Zhang ◽  
Shaoping Wang
Keyword(s):  
Feature Vector ◽  
Vibration Signal ◽  
Degradation Process ◽  
Performance Degradation ◽  
Friction Torque ◽  
Self Organizing Map ◽  
Wavelet Filter ◽  
Degradation Analysis ◽  
Space Mechanisms ◽  
Self Organizing

Solid lubricated bearings are commonly used in space mechanisms and other appliances, and their reliability analysis has drawn more and more attention. This paper focuses on the performance degradation analysis of solid lubricated bearings. Based on the vibration and friction torque signal of solid lubricated bearings, Laplace wavelet filter is adopted to process vibration signal and feature vector is constructed by calculating time-domain parameters of filtered vibration signal and original friction torque signal. Self-organizing map is then adopted to analyze the performance degradation based on extracted feature vectors. Experimental results show that this method can describe performance degradation process effectively.

scholarly journals Αποτελεσματικοί αλγόριθμοι και δομές δεδομένων με εφαρμογές στην ανάκτηση πληροφορίας και στις τεχνολογίες διαδικτύου

2011 ◽  
Author(s):  
Δημήτριος Αντωνίου
Keyword(s):  
Data Structures ◽  
Splay Tree ◽  
On Line ◽  
Self Organizing

Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η μελέτη και τροποποίηση βασικών δομών δεδομένων με σκοπό τη δημιουργία νέων και την τροποποίηση υπαρχουσών λύσεων, με εφαρμογές στην Ανάκτηση Πληροφορίας, τη Βιοπληροφορική και το Διαδίκτυο. Αρχικά, δίνεται έμφαση στην ανάπτυξη και πειραματική επιβεβαίωση αλγοριθμικών τεχνικών για τη σχεδίαση αυτοοργανώμενων δομών δεδομένων (self-organizing data structures). Μέχρι σήμερα, ο μόνος πιθανός υποψήφιος αλγόριθμος αναζήτησης σε δένδρο που μπορεί να είναι Ο(1)-ανταγωνιστικός είναι το splay δένδρο (splay tree) που παρουσιάστηκε από τους Sleator και Tarjan [1]. Επιπρόσθετα, μελετώνται διάφορες εναλλακτικές τεχνικές αυτοοργάνωσης ([2],[3],[4],[5],[6]) και γίνεται επιβεβαίωση των πάνω ορίων που ισχύουν για την απόδοση των splay trees και για αυτές. Η ανάπτυξη των διάφορων αλγοριθμικών αυτών τεχνικών βρίσκει εφαρμογές πάνω στη συμπίεση δεδομένων. Οι αλγόριθμοι συμπίεσης δεδομένων μπορούν να βελτιώσουν την αποδοτικότητα με την οποία τα δεδομένα αποθηκεύονται ή μεταφέρονται, μέσω της μείωσης του ποσού της πλεονάζουσας πληροφορίας. Η χρήση αυτών των αλγορίθμων τόσο στην κρυπτογράφηση όσο και στην επεξεργασία εικόνας είναι αποδοτική και έχει μεγάλο ερευνητικό ενδιαφέρον. Γενικότερα, οι αυτοοργανώμενες δομές δεδομένων χρίζουν ιδιαίτερης προσοχής στους on-line αλγόριθμους. Αναλυτικότερα, στην παρούσα διατριβή, εφαρμόζεται συμπίεση σε βιολογικά δεδομένα αλλά και σε κείμενα τόσο με χρήση του κλασσικού splay δέντρου [10] αλλά και της log log n ανταγωνιστικής παραλλαγής του. Επιπλέον, παρουσιάζονται τυχαιοποιημένες εκδόσεις των παραπάνω δομών και εφαρμόζονται και αυτές στη συμπίεση δεδομένων. Οι log log n ανταγωνιστικές δομές έχουν καλύτερη απόδοση όσον αφορά την πολυπλοκότητά τους σε σχέση με την κλασσική splay δομή. Το γεγονός αυτό επιβεβαιώνεται πειραματικά, όπου η επιτυγχανόμενη συμπίεση είναι στις περισσότερες των περιπτώσεων καλύτερη από την αντίστοιχη της κλασικής δομής . Επιπλέον, ιδιαίτερο ερευνητικό ενδιαφέρον βρίσκει η εφαρμογή βασικών δομών δεδομένων στο διαδίκτυο. Επιδιώκουμε την ανάπτυξη και θεωρητική επιβεβαίωση αλγορίθμων για προβλήματα όπως η ανάθεση «καυτών συνδέσμων» (hot links [7]), η αναδιοργάνωση ιστοσελίδων και η ανάκτηση πληροφορίας ([8],[9]). Σε πρώτο στάδιο, προτείνονται ευριστικοί αλγόριθμοι με σκοπό την ανάθεση «καυτών συνδέσμων» (hotlinks) και τη βελτίωση της τοπολογίας ενός ιστότοπου ([12],[13],[14]). Σκοπός του αλγορίθμου είναι η προώθηση των δημοφιλών ιστοσελίδων ενός ιστότοπου, μέσω της ανάθεσης συνδέσμων προς αυτές, από ιστοσελίδες οι οποίες είναι σχετικές με αυτές ως προς το περιεχόμενο αλλά και ταυτόχρονα συντελούν στη μείωση της απόστασής τους από την αρχική σελίδα. Παρουσιάζεται το μοντέλο του αλγορίθμου, καθώς και μετρικές οι οποίες χρησιμοποιούνται για την ποσοτική αξιολόγηση της αποδοτικότητας του αλγορίθμου σε σχέση με ειδικά χαρακτηριστικά ενός ιστότοπου, όπως η εντροπία του. Σε δεύτερο στάδιο, γίνεται μελέτη τεχνικών προσωποποίησης ιστοσελίδων [11]. Συγκεκριμένα, σκοπός είναι η υλοποίηση ενός αλγορίθμου, ο οποίος θα ανακαλύπτει την αυξημένη ζήτηση μίας κατηγορίας ιστοσελίδων Α από έναν χρήστη και αξιοποιώντας την καταγεγραμμένη συμπεριφορά άλλων χρηστών, θα προτείνει κατηγορίες σελίδων οι οποίες προτιμήθηκαν από χρήστες οι οποίοι ομοίως παρουσίασαν αυξημένο ενδιαφέρον προς την κατηγορία αυτή. Αναλύεται το φαινόμενο της έξαρσης επισκεψιμότητας (burst) και η αξιοποίηση του στο πεδίο της εξατομίκευσης ιστοσελίδων. Ο αλγόριθμος υλοποιείται με τη χρήση δύο δομών δεδομένων, των Binary heaps και των Splay δέντρων, και αναλύεται η χρονική και χωρική πολυπλοκότητά του. Επιπρόσθετα, γίνεται πειραματική επιβεβαίωση της ορθής και αποδοτικής εκτέλεσης του αλγορίθμου. Αξίζει να σημειωθεί πως ο προτεινόμενος αλγόριθμος λόγω της φύσης του, χρησιμοποιεί χώρο, ο οποίος επιτρέπει τη χρησιμοποίηση του στη RAM. Τέλος, ο προτεινόμενος αλγόριθμος δύναται να βρει εφαρμογή σε εξατομίκευση σελίδων με βάση το σημασιολογικό τους περιεχόμενο σε αντιστοιχία με το διαχωρισμό τους σε κατηγορίες. Σε τρίτο στάδιο, γίνεται παρουσίαση πρωτότυπης τεχνικής σύστασης ιστοσελίδων [15] με χρήση Splay δέντρων. Σε αυτή την περίπτωση, δίνεται ιδιαίτερο βάρος στην εύρεση των σελίδων που παρουσιάζουν έξαρση επισκεψιμότητας και στη σύστασή τους στους χρήστες ενός ιστότοπου. Αρχικά, τεκμηριώνεται η αξία της εύρεσης μιας σελίδας, η οποία δέχεται ένα burst επισκέψεων. H έξαρση επισκεψιμότητας (burst) ορίζεται σε σχέση τόσο με τον αριθμό των επισκέψεων, όσο και με το χρονικό διάστημα επιτέλεσής τους. Η εύρεση των σελίδων επιτυγχάνεται με τη μοντελοποίηση ενός ιστότοπου μέσω ενός splay δέντρου. Με την τροποποίηση του δέντρου μέσω της χρήσης χρονοσφραγίδων (timestamps), ο αλγόριθμος είναι σε θέση να επιστρέφει σε κάθε χρονική στιγμή την ιστοσελίδα που έχει δεχθεί το πιο πρόσφατο burst επισκέψεων. Ο αλγόριθμος αναλύεται όσον αφορά τη χωρική και χρονική του πολυπλοκότητα και συγκρίνεται με εναλλακτικές λύσεις. Μείζονος σημασίας είναι η δυνατότητα εφαρμογής του αλγορίθμου και σε άλλα φαινόμενα της καθημερινότητας μέσω της ανάλογης μοντελοποίησης. Παραδείγματος χάρη, στην περίπτωση της απεικόνισης ενός συγκοινωνιακού δικτύου μέσω ενός γράφου, ο αλγόριθμος σύστασης δύναται να επιστρέφει σε κάθε περίπτωση τον κυκλοφοριακό κόμβο ο οποίος παρουσιάζει την πιο πρόσφατη συμφόρηση. Τέλος, όσον αφορά το πεδίο της ανάκτησης πληροφορίας, η διατριβή επικεντρώνεται σε μία πρωτότυπη και ολοκληρωμένη μεθοδολογία με σκοπό την αξιολόγηση της ποιότητας ενός συστήματος λογισμικού βάσει του Προτύπου Ποιότητας ISO/IEC-9126. Το κύριο χαρακτηριστικό της είναι ότι ολοκληρώνει την αξιολόγηση ενός συστήματος λογισμικού ενσωματώνοντας την αποτίμηση όχι μόνο των χαρακτηριστικών που είναι προσανατολισμένα στο χρήστη, αλλά και εκείνων που είναι πιο τεχνικά και αφορούν τους μηχανικούς λογισμικού ενός συστήματος. Σε αυτή τη διατριβή δίνεται βάρος στην εφαρμογή μεθόδων εξόρυξης δεδομένων πάνω στα αποτελέσματα της μέτρησης μετρικών οι οποίες συνθέτουν τα χαρακτηριστικά του πηγαίου κώδικα, όπως αυτά ορίζονται από το Προτύπο Ποιότητας ISO/IEC-9126 [16][17]. Ειδικότερα εφαρμόζονται αλγόριθμοι συσταδοποίησης με σκοπό την εύρεση τμημάτων κώδικα με ιδιαίτερα χαρακτηριστικά, που χρήζουν προσοχής.

scholarly journals Estimation of Flow Rate Through Analysis of Pipe Vibration

2018 ◽  
Vol 12 (4) ◽  
pp. 294-300 ◽  
Author(s):  
Santhosh K. Venkata ◽  
Bhagya R. Navada
Keyword(s):  
Neural Network ◽  
Fluid Flow ◽  
Flow Rate ◽  
Back Propagation ◽  
Vibration Signal ◽  
Vibration Sensor ◽  
Percentage Error ◽  
Fluid Flow Rate ◽  
Bee Colony ◽  
Neural Network Algorithm

Abstract In this paper, implementation of soft sensing technique for measurement of fluid flow rate is reported. The objective of the paper is to design an estimator to physically measure the flow in pipe by analysing the vibration on the walls of the pipe. Commonly used head type flow meter causes obstruction to the flow and measurement would depend on the placement of these sensors. In the proposed technique vibration sensor is bonded on the pipe of liquid flow. It is observed that vibration in the pipe varies with the control action of stem. Single axis accelerometer is used to acquire vibration signal from pipe, signal is passed from the sensor to the system for processing. Basic techniques like filtering, amplification, and Fourier transform are used to process the signal. The obtained transform is trained using neural network algorithm to estimate the fluid flow rate. Artificial neural network is designed using back propagation with artificial bee colony algorithm. Designed estimator after being incorporated in practical setup is subjected to test and the result obtained shows successful estimation of flow rate with the root mean square percentage error of 0.667.

scholarly journals Matrix Neuro-Fuzzy Self-Organizing Clustering Network

2011 ◽  
Vol 45 (1) ◽  
pp. 54-58 ◽  
Author(s):  
Yevgeniy Bodyanskiy ◽  
Valentyna Volkova ◽  
Mark Skuratov
Keyword(s):  
Fuzzy Inference ◽  
Data Sets ◽  
Fuzzy Membership Functions ◽  
Neuro Fuzzy ◽  
The Matrix ◽  
On Line ◽  
Winner Take All ◽  
Overlapping Classes ◽  
Self Learning ◽  
Self Organizing

Matrix Neuro-Fuzzy Self-Organizing Clustering NetworkIn this article the problem of clustering massive data sets, which are represented in the matrix form, is considered. The article represents the 2-D self-organizing Kohonen map and its self-learning algorithms based on the winner-take-all (WTA) and winner-take-more (WTM) rules with Gaussian and Epanechnikov functions as the fuzzy membership functions, and without the winner. The fuzzy inference for processing data with overlapping classes in a neural network is introduced. It allows one to estimate membership levels for every sample to every class. This network is the generalization of a vector neuro- and neuro-fuzzy Kohonen network and allows for data processing as they are fed in the on-line mode.

Sign in / Sign up

Export Citation Format

Share Document