Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/59242
Title: Оценка состояния смазки подшипников качения с применением алгоритмов классификации
Other Titles: Assessment of bearing lubrication condition with the use of neural network classification
Authors: Криницин, П. Г.
Ченцов, С. В.
Keywords: материалы конференций;машинное обучение;подшипники качения;смазка;подшипники
Issue Date: 2024
Publisher: Издательство Южного федерального университета
Citation: Криницин, П. Г. Оценка состояния смазки подшипников качения с применением алгоритмов классификации = Assessment of bearing lubrication condition with the use of neural network classification / П. Г. Криницин, С. В. Ченцов // Компьютерные и информационные технологии в науке, инженерии и управлении «КомТех-2024» : материалы Всероссийской научно-технической конференции с международным участием : в 2 т. Т. 1 / Южный федеральный университет [и др.] ; отв. ред. С. И. Клевцов. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2024. – С. 372–379.
Abstract: Целью данной работы является исследование способа решения проблемы снижения срока службы подшипников качения, установленных на промышленном оборудовании, в результате их некачественной смазки в процессе эксплуатации. Известно, что до 50% всех внеплановых простоев промышленного оборудования происходит по причине разрушения подшипников [1 ]. При этом основной причиной отказа подшипников являются разного рода проблемы со смазкой: избыток и недостаток смазки в подшипнике и составляют до 40% от общего числа отказов [2]. В работе рассматривается метод классификации состояний составе комплекса по контролю за техническим состоянием оборудования, расширяя подшипников в зависимости от их диагностических параметров: различных показателей вибрации и температуры. Классификация осуществляется методами классического машинного обучения с целью выявления наилучших показателей точности модели.
Alternative abstract: The purpose of this work is to explore a method for solving the problem of reduced service life of rolling bearings installed on industrial equipment due to their poor lubrication during operation. It is known that up to 50% of all unplanned downtime of industrial equipment occurs due to bearing failure [1]. At the same time, the main cause of bearing failure is various lubrication problems: excess and lack of grease in the bearing account for up to 36% of all failures [2]. This work examines a method for classifying the conditions of bearings depending on their diagnostic parameters: various indicators of vibration and temperature. Classification is carried out using traditional machine learning methods with the aim of identifying the best model accuracy indicators. The developed algorithm can be successfully used as part of a system for monitoring the technical condition of equipment, thereby expanding the capabilities of diagnostic measures.
URI: https://libeldoc.bsuir.by/handle/123456789/59242
Appears in Collections:Компьютерные и информационные технологии в науке, инженерии и управлении «КомТех-2024»

Files in This Item:
File Description SizeFormat 
Krinicin_Ocenka.pdf873.76 kBAdobe PDFView/Open
Show full item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.