CC BY
76
УДК 621.313.33
Мониторинг и диагностика технического состояния асинхронного тягового электродвигателя локомотивов с применением искусственных нейронных сетей на железных дорогах Республики Узбекистан
А. В. Грищенко, О. Р Хамидов
Петербургский государственный университет путей сообщения Императора Александра I, Российская Федерация, 190031, Санкт-Петербург, Московский пр., 9
Для цитирования: Грищенко А. В., Хамидов О. Р. Мониторинг и диагностика технического состояния асинхронного тягового электродвигателя локомотивов с применением искусственных нейронных сетей на железных дорогах Республики Узбекистан // Известия Петербургского университета путей сообщения. - СПб.: ПГУПС, 2020. - Т. 17. - Вып. 4. - С. 514-524. БО1: 10.20295/1815-588Х-2020-4-514-524
Аннотация
Цель: Диагностика неисправностей подшипников качения асинхронного тягового электродвигателя (АТЭД) локомотивов с применением искусственных нейронных сетей. Методы: Для контроля и диагностики технического состояния подшипниковых узлов АТЭД локомотивов используются программно-аппаратный комплекс и методы анализа данных. Результаты: Были исследованы неисправности подшипника качения АТЭД локомотивов. Проанализированы отказы подшипниковых узлов локомотивов. Рассмотрены вибрационные и токовые сигналы и соответствующие частотные спектры АТЭД, работающего в нормальных условиях и с различными неисправностями подшипников. Разработана модель для оценки технического состояния подшипников качения локомотивов, а также обоснована целесообразность упреждающей диагностики, которая дает возможность заблаговременно выявить дефекты на самой ранней стадии их развития. Практическая значимость: Результаты проведенных исследований могут быть использованы в системе диагностики технического состояния подшипников качения АТЭД локомотивов в реальном времени.
Ключевые слова: Подшипники качения, тяговый электродвигатель, нейронные сети, неисправности локомотивов, диагностика, наружное кольцо, внутреннее кольцо подшипников, сети Эль-мана.
Введение
Одной из главных задач локомотивного хозяйства железных дорог Республики Узбекистан является повышение надежности асинхронных тяговых электродвигателей (АТЭД) локомотивов в целях обеспечения безопасности движения поездов с учетом реализации необходимых тяговых характеристик, улучшения габаритно-массовых
показателей, эксплуатации в широком диапазоне нагрузок и скоростей движения, в сложных климатических условиях [1]. В настоящее время во всем мире на тяговом подвижном составе применяются трехфазные АТЭД. Применение АТЭД дает возможность резко повысить секционную мощность локомотива, что отвечает растущим потребностям железных дорог Республики Узбекистан и других стран.
Мониторинг состояния и диагностика неисправностей подшипников локомотивов необходимы для оптимизации технического обслуживания и повышения уровня надежности. Отказы обычно начинаются с незначительных дефектов, которые со временем возрастают.
Основными задачами диагностики тяговых электродвигателей (ТЭД) локомотивов являются определение текущего состояния и прогнозирование изменения технического состояния подшипниковых узлов ТЭД в зависимости от наработки. В производстве внезапный выход из строя подшипников ТЭД локомотивов может привести к непоправимым последствиям. Очень важно выявлять любой дефект на самой ранней стадии, исключающей риск возникновения серьезных повреждений ТЭД. Система технической диагностики должна включать в себя регулярный мониторинг технического состояния локомотивных ТЭД, а также поиск неисправностей, повреждений, определение степени опасности дефектов и оценку остаточного ресурса оборудования [1, 2]. Поэтому к актуальным задачам для железной дороги относится проведение диагностики технического состояния ТЭД и локомотива в целом.
Диагностика технического состояния АТЭД и локомотива в целом
Раннее обнаружение и диагностика неисправностей с мониторингом состояния позволяют выполнять важные предупреждающие действия, избегая, таким образом, экономически вредных потерь элементов и деталей через адекватную систему управления техническим обслуживанием, а также остановки производства [3]. Неисправности подшипников в АТЭД составляют около 40-50 % всех неисправностей двигателей [2, 4]. Подшипники двигателей, используемые в промышленности, как правило, подвержены неидеальным условиям, таким как перегрузка, перекос, электрическое размытие и недостаточная смазка [5]. Несущая конструкция состоит из внутреннего и наружного колец или кольца с канавками, а также набора шариков или элементов качения, размещенных между ними, как показано на рис. 1.
Локальное повреждение или износ вызывает последовательные периодические удары по сигналу вибрации кузова АТЭД. Амплитуда и период частоты этих попаданий определяются
Рис. 1. Основные параметры конструкции подшипника качения: d и В - диаметры внутреннего и внешнего колец подшипника соответственно; в - угол контакта тел и дорожек качения, град.
в зависимости от скорости вращения, места повреждения и характерных размеров шариковых подшипников. Эти импульсы получены с учетом той части шарикоподшипника, в которой имеется неисправность. Фундаментальную частоту клетки находим из следующего соотношения [6]:
f ( d Л
fc = f 11 - d cos(ß) 2 y D
частоту перекатывания тел качения - по формуле
= ^ (1 - ^ СС82(Р)),
частоты повреждения внутреннего и внешнего колец - по соотношениям соответственно:
fod = ^ (1 - d cos( ß)), 2 • d D
= ^ (1 + | С08( Р)).
Разрушения подшипников можно классифицировать по двум основным категориям: один локализованный дефект на поверхности подшипника и обобщенная шероховатость, при которой большая площадь поверхности подшипника деградировала и стала нерегулярной [7]. Результатами таких дефектов являются продолжающаяся потеря геометрической точности поверхностей контакта качения и постепенное ухудшение функции подшипника, что приводит к увеличению прогиба, трения, температуры и вибрации.
Многие методы были использованы для диагностики неисправностей подшипников качения и могут быть классифицированы в зависимости от типа измерения. Это могут быть, например, вибрация, температура [8] или акустические измерения [9]. Измерение вибрации -наиболее широко используемый и эффективный способ обнаружения неисправностей подшип-
ников качения, но не дает четкого указания на неисправности при низкой скорости. Вибрация может быть зафиксирована с других механических частей, что приводит к ложным срабатываниям. Кроме того, поскольку сигналы вибрации относятся ко всем механическим элементам, они допускают только обнаружение неисправностей, а не их диагностику. Чтобы повысить надежность диагностики неисправностей, особенно для критических областей применения, помимо вибрации, сигнал тока статора может использоваться в качестве другого индикатора неисправности [10]. Показано, что он служит эффективным индикатором неисправности подшипника качения, особенно при низких скоростях двигателя [11, 12]. Более того, датчики тока не обязательно увеличивают стоимость системы, поскольку они уже являются частью цепей защиты питания в таких системах [13]. Таким образом, комбинированное использование сигналов как вибрации, так и тока обеспечит более надежную систему обнаружения и диагностики неисправностей без значительного повышения стоимости, и этот подход применяется в данной работе.
На рис. 2 приведено распределение отказов АТЭД локомотивов. На нем видно, что наибольшее количество отказов приходится на подшипниковый узел, неисправности обмотки статора, ротора АТЭД. Отказы подшипниковых узлов АТЭД локомотивов анализирует рис. 3.
Дискретное вейвлет-преобразование используется для получения наилучших характеристик сигналов вибрации и тока. Было показано, что оно является мощным инструментом для работы с нестационарными сигналами вибрации. Чтобы сократить дополнительное вычислительное время для классификации ошибок, необходим точный инструмент уменьшения размерности, чтобы выбрать наиболее информативные функции из набора функций вейвле-та. Различные методы сокращения признаков, такие как анализ основных компонентов [5, 7] и разложение по эмпирическим модам [6], применялись для уменьшения избыточности функций.
Рис. 2. Распределение отказов АТЭД локомотивов
Тела качения (ролики) 22%
Рис. 3. Распределение количества неисправностей и отказов по забракованным деталям
подшипниковых узлов локомотивов
Недавно искусственный интеллект был внедрен в процесс диагностики неисправностей для мониторинга состояния, включая методы, основанные на нечеткой логике [9], нейронные сети
(НС), генетические алгоритмы, системы адаптивного нейро-нечеткого вывода [10, 13] и машины опорных векторов [11]. Искусственные нейронные сети (ИНС) предоставляют превос-
ходный математический инструмент для моделирования нелинейных систем, а ИНС типа статического многослойного перцептрона, обученные с помощью алгоритма обратного распространения, широко применяются для задачи обнаружения неисправностей АТЭД при стационарной работе [6, 7]. Однако отклик статической сети в любой момент времени зависит только от значения входной последовательности в тот же момент времени. Динамические нейронные сети (ДНС) более универсальны, чем их статические аналоги, и дают возможность изучать динамику сложных нелинейных систем, которые обычные статические НС не могут моделировать [7]. ДНС были успешно применены для диагностики неисправностей [8], и исследования показали, что их использование может улучшить точность прогнозирования неисправностей систем мониторинга состояния АТЭД.
Эта модель относится к рекуррентной НС с линией задержки на входе, а выход подается на вход другой линией задержки [6, 7, 14]. Такая сеть с одним скрытым слоем и четырьмя выходными блоками показана на рис. 4.
Поэтому выходные состояния ИНС устанавливаются следующим образом:
[1; 0; 0; 0] - исправный подшипник;
[0; 1; 0; 0] - неисправность произошла на наружном кольце подшипника;
[0; 0; 1; 0] - неисправность произошла на внутреннем кольце подшипника;
[0; 0; 0; 1] - неисправность произошла на теле качения подшипника.
Процесс диагностики неисправностей АТЭД локомотивов
Диагностика подшипниковых узлов АТЭД локомотивов заключается в решении задачи классификации, когда определяется принадлежность входного набора данных (диагностических признаков) к одному из нескольких заранее известных классов технического состояния подшипников АТЭД.
На рис. 5 представлена структурная схема контроля и диагностики технического состояния АТЭД локомотивов с применением ИНС.
Предложенная методология содержит следующие этапы: первый - сбор данных во время экспериментальных испытаний (сигналы тока и вибрации статора); второй - извлечение
Рис. 4. Оценка технического состояния подшипников качения ТЭД с использованием ИНС
Рис. 5. Структурная схема оценки технического состояния АТЭД локомотивов
с применением ИНС
и уменьшение признаков; третий - классификация неисправностей с использованием ИНС.
Из сигналов вибрации и тока видно, что амплитуда сигнала формы волны времени при дефекте неисправности намного больше, чем в безотказных случаях, и, как правило, амплитуда
сигнала формы волны времени снижается при уменьшении нагрузки. На рис. 6, а и б показаны сигналы тока и вибрации и их соответствующие частотные характеристики АТЭД, работающего в нормальных условиях и с различными неисправностями подшипников, при полной нагрузке
-0.5
Рис. 6. Вибрационные и токовые сигналы и соответствующие частотные спектры АТЭД: при повреждении подшипника качения внутреннего (а) и наружного (б) колец
и переменных скоростях. Сигналы отбирались с частотой 3 кГц и продолжительностью 30 с.
Оборудование, используемое для сбора данных, состоит из экспериментальной установки, подшипников качения, датчиков, электродвигателя, гидравлического домкрата, ноутбука, тен-зодатчика, инструментов сбора данных и современного программного обеспечения.
Чтобы выбрать наиболее подходящую для процесса моделирования, сеть была протестирована в зависимости от того, насколько эффективно она реагирует на любые изменения при моделировании. Таким образом, количество используемых скрытых слоев было равно одному, а количество скрытых узлов выбиралось методом проб и ошибок, поскольку в большинстве случаев не было способов установить количество скрытых узлов без опробования нескольких се-
тей. Как правило, среднеквадратическая ошибка (ЫЗЕ) использовалась для представления производительности сети, чтобы определить лучшую сеть [3, 12]:
1 N 1 N
MSE = - X (e, )2 = -1 (*, - ^ )2,
N i=i N i=i
где в. - ошибка; - ожидаемое значение; а. -фактические значения; N - количество данных.
На рис. 7 представлены результаты обучения, проверки и тестирования с помощью сети Эльмана.
Эффективность оптимальной сети была достигнута методом проб и ошибок, от двух до 20 скрытых узлов вместе с сетями Эльмана. Оптимальная сеть была найдена среди сетей на основе наименьших ошибок перекрестной
а
б
200 Выборка
Рис. 7. Результаты обучения (а) и проверки (б) с использованием ИНС
а
б
проверки. Таким образом, сеть Эльмана была выбрана в качестве оптимальной.
Применение этих методов к реальным данным показало, что на практике они представляют собой эффективный классификатор неисправностей, способный довольно точно обнаруживать и классифицировать неисправности подшипников в нестационарных условиях эксплуатации.
Заключение
В статье был предложен принцип обнаружения неисправностей подшипников качения локомотивов. Для интеллектуального процесса обнаружения неисправностей были определены алгоритмы распознавания образов на основе ИНС. Чтобы проверить точность рассмотренного метода, был разработан эксперименталь-
ный набор и собраны соответствующие данные в трех режимах безопасности: неисправность внешнего кольца и неисправность внутреннего кольца. По нашему мнению, следует внести данные в НС с целью идентификации вида режима работы подшипниковых узлов АТЭД локомотивов.
Библиографический список
1. Грищенко А. В. Аппарат искусственных нейронных сетей для диагностики современного локомотива / А. В. Грищенко, В. В. Грачёв, Ю. В. Бабков, Ю. И. Клименко, С. И. Ким, К. С. Перфильев, М. В. Федотов // Локомотив. - 2012. - № 7. - С. 36-40.
2. Хамидов О. Р. Разработка методики комплексного диагностирования асинхронного тягового электродвигателя подвижного состава железнодорожного транспорта / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие» : сб. избр. статей. - СПб. : ГНИИ «Нацразвитие», 2017. -С. 32-39.
3. Грищенко А. В. Новые электрические машины локомотивов : учеб. пособие для вузов ж.-д. транспорта / А. В. Грищенко, Е. В. Козаченко. - М. : Учеб.-метод. центр по образованию на ж.-д. транспорте, 2008. - 271 с.
4. Грачев В. В. О достоверности прямых способов оперативного контроля энергоэффективности тепловозов в эксплуатации / В. В. Грачев, А. В. Грищенко, Ф. Ю. Базилевский // Вестн. Ин-та проблем естественных монополий : Техника железных дорог. - 2018. -№ 2 (42). - С. 40-48.
5. Li B. Neural network based motor rolling bearing fault diagnosis / B. Li, M. Chow, Y. Tipsuwan, J. C. Hung // IEEE Trans. Industrial Electronics. - 2000. -Vol. 47 (5). - P. 1060-1068.
6. Хамидов О. Р. Диагностирование и моделирование несимметричных режимов асинхронных тяговых электродвигателей локомотивов с применением искусственных нейрoнных сетей / О. Р. Хамидoв // Изв. Петерб. ун-та путей соoбщения. - СПб. : ПГУПС, 2019. - Т. 16. - Вып. 2. - С. 251-262.
7. Hyun C. Fault detection and isolation of induction motors using recurrent neural networks and dynamic Bayesian modeling / С. Hyun, J. Knowles, S. Fadali,
L. Kwon // IEEE Transactions on Control Systems Technology. - 2010. - Vol. 18 (2). - P. 430-437.
8. Хамидов О. Р. Оценка технического состояния асинхронных тяговых электродвигателей электровозов серии «UZ-EL» средствами вибродиагностики / О. Р. Хамидов, О. Т. Касымов // Материалы конференций ГНИИ «Нацразвитие» : сб. избр. статей. -СПб. : ГНИИ «Нацразвитие», 2017. - С. 13-19.
9. Грачев В. В. Влияние параметрических отказов оборудования тепловоза на его энергоэффективность в эксплуатации / В. В. Грачев, Ю. И. Клименко, В. А. Перминов, Д. Н. Курилкин, А. В. Фролов // Локомотив. - 2017. - № 4. - С. 40-45.
10. Хамидов О. Р. Математическая модель вибро-возмущающих сил локомотивного асинхронного электродвигателя / О. Р. Хамидов, М. Н. Панченко // Изв. Петерб. ун-та путей сообщения. - СПб. : ПГУПС, 2013. - Вып. 4 (37). - С. 60-67.
11. Бабков Ю. В. Модернизация электропривода тепловозов и электровозов с тяговыми электродвигателями постоянного тока / Ю. В. Бабков, К. С. Перфильев, В. Ю. Евсеев, В. В. Грачев, Д. Н. Курилкин // Труды третьей Междунар. науч.-практич. конференции «Перспективы развития сервисного обслуживания локомотивов». - М. : МИИТ, 2018. - С. 114-120.
12. Prieto D. Bearing fault detection by a novel condition-monitoring scheme based on statistical-time features and neural networks / D. Prieto, G. Cirrincione, G. Espinosa, A. Ortega, H. Henao // IEEE Transactions on Industrial Electronics. - 2013. - Vol. 60 (8). - P. 3398-3407.
13. Михайлов А. С. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов / А. С. Михайлов, Б. А. Староверов // Вестн. ИГЭУ. - Ивановск : ИГЭУ, 2013. - Вып. 3. - С. 64-66.
14. Wang T. Rolling element bearing fault diagnosis via fault characteristic order analysis / T. Wang, M. Liang, W. Cheng // Mechanical Systems and Signal Processing. - 2014. - Vol. 45 (1). - P. 139-153.
Дата поступления: 08.04.2020 Решение о публикации: 24.04.2020
Контактная информация:
ГРИЩЕНКО Александр Васильевич - д-р техн. наук, профессор; [email protected] ХАМИДОВ Отабек Рустамович - канд. техн. наук, докторант; [email protected]
Monitoring and diagnostics of the technical condition
of the asynchronous traction motor of locomotives using artificial
neural networks on the railways of the Republic of Uzbekistan
A. V. Grishchenko, O. R. Khamidov
Emperor Alexander I Petersburg State Transport University, 9, Moskovsky pr., Saint Petersburg, 190031, Russian Federation
For citation: Grishchenko A. V., Khamidov O. R. Monitoring and diagnostics of the technical condition of the asynchronous traction motor of locomotives using artificial neural networks on the railways of the Republic of Uzbekistan. Proceedings of Petersburg State Transport University, 2020, vol. 17, iss. 4, pp. 514-524. DOI: 10.20295/1815-588X-2020-4-514-524
Summary
Objective: Diagnostics of malfunctions of rolling bearings of an asynchronous traction electric motor (ATEM) of locomotives using artificial neural networks. Methods: To control and diagnose the technical condition of the ATEM bearing units of locomotives, a hardware-software complex and data analysis methods are used. Results: We investigated the malfunctions of the ATEM rolling bearing of locomotives. The analysis of failures of locomotive bearing units is carried out. Vibration and current signals and the corresponding frequency spectra of an ATEM operating under normal conditions and with various bearing faults are considered. A model for assessing the technical condition of rolling bearings of locomotives has been developed, and the importance of anticipatory diagnostics has been substantiated, which makes it possible to identify defects in advance at the earliest stage of their development. Practical importance: The results of the research can be used in the system for diagnosing the technical condition of rolling bearings of traction electric motors of locomotives in real time.
Keywords: Rolling bearings, traction motor, neural networks, locomotive malfunctions, diagnostics, outer ring, inner ring of bearings, Elman networks.
References
1. Grishchenko A. V., Grachov V. V., Babkov Yu. V., Klimenko Yu. I., Kim S. I., Perfil'yev K. S. & Fedotov M. V Apparat iskusstvennykh neyronnykh setey dlya diagnosti-ki sovremennogo lokomotiva [Apparatus for artificial neural networks for diagnostics of modern locomotive]. Loko-motiv [Locomotive], 2012, no. 7, pp. 36-40. (In Russian)
2. Khamidov O. R. & Kasymov O. T. Razrabotka metodiki kompleksnogo diagnostirovaniya asinkhron-nogo tyagovogo elektrodvigatelya podvizhnogo sostava zheleznodorozhnogo transporta [Development of a methodology for complex diagnostics of asynchronous traction electric motor of railway rolling stock]. Materialy konferentsiy GNII "Natsrazvitiye". Sb. izbrannykh statey [Proceedings of the conferences of the State Research In-
stitute "NationalDevelopment". Collection of selected articles]. Saint Petersburg, GNII "Natsrazvitiye" [State Research Institute "National Development"] Publ., 2017, pp. 32-39. (In Russian)
3. Grishchenko A. V. & Kozachenko E. V. Novyye elektricheskiye mashiny lokomotivov. Ucheb. posobiye dlya vuzov zh.-d. transporta [New electric machines of locomotives. Textbook for universities railway transport]. Moscow, Uchebno-metodicheskii tsentr po obrazovaniiu na zheleznodorozhnom transporte [Training centre for railway transport education] Publ., 2008, 271 p. (In Russian)
4. Grachev V. V., Grishchenko A. V. & Bazilevskiy F. Yu. O dostovernosti pryamykh sposobov operativnogo kon-trolya energoeffektivnosti teplovozov v ekspluatatsii [On the reliability of direct methods of operational control
of the energy efficiency of diesel locomotives in operation]. Vestnik Institutaproblem yestestvennykh monopo-liy: Tekhnika zheleznykh dorog [Bulletin of the Institute of Natural Monopolies Problems: Railway Engineering], 2018, no. 2 (42), pp. 40-48. (In Russian)
5. Li B., Chow M., Tipsuwan Y. & Hung J. C. Neural network based motor rolling bearing fault diagnosis. IEEE Trans. Industrial Electronics, 2000, vol. 47 (5), pp. 1060-1068.
6. Khamidov O. R. Diagnostirovaniye i modeliro-vaniye nesimmetrichnykh rezhimov asinkhronnykh tyagovykh elektrodvigateley lokomotivov s primene-niyem iskusstvennykh neyronnykh setey [Diagnostics and modeling of asymmetric modes of asynchronous traction electric motors of locomotives using artificial neural networks]. Izvestiya Peterburgskogo universitetaputey soobshcheniya [Proceedings of Petersburg State Transport University]. Saint Petersburg, PGUPS [Petersburg State Transport University] Publ., 2019, vol. 16, iss. 2, pp. 251-262. (In Russian)
7. Hyun C., Knowles J., Fadali S. & Kwon L. Fault detection and isolation of induction motors using recurrent neural networks and dynamic Bayesian modeling. IEEE Transactions on Control Systems Technology, 2010, vol. 18 (2), pp. 430-437.
8. Khamidov O. R. & Kasymov O. T. Otsenka tekh-nicheskogo sostoyaniya asinkhronnykh tyagovykh elek-trodvigateley elektrovozov serii "UZ-EL" sredstvami vi-brodiagnostiki [Assessment of the technical condition of asynchronous traction electric motors of electric locomotives of the UZ-EL series by means of vibration diagnostics]. Materialy konferentsiy GNII "Natsrazvitiye". Sb. izbrannykh statey [Proceedings of the conferences of the State Research Institute "National Development". Collection of selected articles]. Saint Petersburg, GNII "Natsrazvitiye" [State Research Institute "National Development"] Publ., 2017, pp. 13-19. (In Russian)
9. Grachev V. V., Klimenko Yu. I., Perminov V.A., Kurilkin D. N. & Frolov A. V. Vliyaniye parametricheskikh otkazov oborudovaniya teplovoza na yego energoeffek-tivnost' v ekspluatatsii [Influence of parametric failures of diesel locomotive equipment on its energy efficiency in operation]. Lokomotiv [Locomotive], 2017, no. 4, pp. 40-45. (In Russian)
10. Khamidov O. R. & Panchenko M. N. Matema-ticheskaya model' vibrovozmushchayushchikh sil loko-
motivnogo asinkhronnogo elektrodvigatelya [Mathematical model of vibration disturbance forces of a locomotive asynchronous electric motor]. Izvestiya Peterburgskogo universiteta putey soobshcheniya [Proceedings of Petersburg State Transport University]. Saint Petersburg, PGUPS [Petersburg State Transport University] Publ., 2013, iss. 4 (37), pp. 60-67. (In Russian)
11. Babkov Yu. V., Perfil'yev K. S., Yevseyev V. Yu., Grachev V. V. & Kurilkin D. N. Modernizatsiya elektrop-rivoda teplovozov i elektrovozov s tyagovymi elektrodvi-gatelyami postoyannogo toka [Modernization of electric drive of diesel locomotives and electric locomotives with direct current traction motors]. Trudy tret'yey Mezhduna-rodnoy nauchno-prakticheskoy konferentsii "Perspektivy razvitiyaservisnogo obsluzhivaniya lokomotivov" [Proceedings of the Third International Scientific and Practical Conference "Prospects for the Development of Locomotive Service"]. Moscow, MIIT [Russian University of Transport] Publ., 2018, pp. 114-120. (In Russian)
12. Prieto D., Cirrincione G., Espinosa G., Ortega A. & Henao H. Bearing fault detection by a novel condition-monitoring scheme based on statistical-time features and neural networks. IEEE Transactions on Industrial Electronics, 2013, vol. 60 (8), pp. 3398-3407.
13. Mikhaylov A. S. & Staroverov B. A. Problemy i perspektivy ispol'zovaniya iskusstvennykh neyronnykh setey dlya identifikatsii i diagnostiki tekhnicheskikh ob''yektov [Problems and prospects of using artificial neural networks for identification and diagnostics of technical objects]. Vestnik IGEU [Bulletin of Ivanovo State Power Engineering University]. Ivanovsk, IGEU [Ivanovo State Power Engineering University] Publ., 2013, iss. 3, pp. 64-66. (In Russian)
14. Wang T., Liang M. & Cheng W. Rolling element bearing fault diagnosis via fault characteristic order analysis. Mechanical Systems and Signal Processing, 2014, vol. 45 (1), pp. 139-153.
Received: April 08, 2020 Accepted: April 24, 2020
Author's information:
Alexander V. GRISHCHENKO - D. Sci. in Engineering, Professor; [email protected] Otabek R. KHAMIDOV - PhD in Engineering, Doctoral Student; [email protected]
