Fault Diagnosis in Internal Combustion Engines Using Extension Neural Network

Shatnawi, Yousef; Al-khassaweneh, Mahmood

doi:10.1109/tie.2013.2261033

Cited by 114 publications

(43 citation statements)

References 36 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…(10), if the correlation value K(s) is greater than zero, meaning s is most correlated with S o , and s is regarded as being in the S o interval, and vice versa [Shatnawi & Al-khassaweneh, 2014]. Figure 11 is a schematic diagram of the range of the extension field.…”

Section: Extension Theorymentioning

confidence: 99%

Study on Unified Chaotic System-Based Wind Turbine Blade Fault Diagnostic System

Kuo

Hsieh

Yau

et al. 2015

Int. J. Bifurcation Chaos

View full text Add to dashboard Cite

At present, vibration signals are processed and analyzed mostly in the frequency domain. The spectrum clearly shows the signal structure and the specific characteristic frequency band is analyzed, but the number of calculations required is huge, resulting in delays. Therefore, this study uses the characteristics of a nonlinear system to load the complete vibration signal to the unified chaotic system, applying the dynamic error to analyze the wind turbine vibration signal, and adopting extenics theory for artificial intelligent fault diagnosis of the analysis signal. Hence, a fault diagnostor has been developed for wind turbine rotating blades. This study simulates three wind turbine blade states, namely stress rupture, screw loosening and blade loss, and validates the methods. The experimental results prove that the unified chaotic system used in this paper has a significant effect on vibration signal analysis. Thus, the operating conditions of wind turbines can be quickly known from this fault diagnostic system, and the maintenance schedule can be arranged before the faults worsen, making the management and implementation of wind turbines smoother, so as to reduce many unnecessary costs.

show abstract

Section: Extension Theorymentioning

confidence: 99%

Study on Unified Chaotic System-Based Wind Turbine Blade Fault Diagnostic System

Kuo

Hsieh

Yau

et al. 2015

Int. J. Bifurcation Chaos

View full text Add to dashboard Cite

show abstract

“…Este tipo de diagnóstico reduce el defecto convencional de depender demasiado de la experiencia de los técnicos [8]. Un estudio muy similar propuesto por Shatnawi y Al-khassaweneh, en donde, la señal de sonido emitida por el MCI es la fuente de información para establecer fallas, mediante la red neuronal de extensión (ENN), la cual mejora el rendimiento en comparación con las RNA [9].…”

Section: Introductionunclassified

Determinación de la presión máxima de compresión de un MEP basado en una RNAR

Urgilés¹,

Arichávala²,

Jérez³

2018

ings

View full text Add to dashboard Cite

En la presente investigación se realiza la explicación de la metodología aplicada a la determinación de la presión máxima de compresión de un motor de combustión interna alternativo de encendido provocado (MEP), el cual se basa en un estudio que parte de la caracterización de las curvas del consumo de amperaje del motor de arranque. Se aplica un protocolo de adquisición de datos y su posterior análisis estadístico. Los valores estadísticos de la señal como energía, promedio, desviación estándar, varianza, kurtosis, asimetría, máximo, mínimo y factor de cresta son seleccionados en función al mayor aporte de información para la caracterización del experimento; estos valores generan bases de datos las cuales son aplicadas para la creación y entrenamiento de una red neuronal artificial recurrente (RNAR) en la cual se obtiene un error absoluto menor al 2 \%. En una primera instancia se aplica la metodología de pruebas en un motor ensamblado en un banco didáctico y luego se procede a la aplicación del método en motores aplicados en vehículos.

show abstract

“…In industrial applications, fault detection and identification are among the most important techniques to improve the safety and efficiency of many manufacturing processes [17,33,22,19,34,7,16,15,32].…”

Section: Introductionmentioning

confidence: 99%