Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
200
Lista 2023
Status:
Autorzy: Syta Arkadiusz, Czarnigowski Jacek, Jakliński Piotr, Marwan Norbert
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2023
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Wolumen/Tom: 223
Numer artykułu: 113763
Strony: 1 - 9
Impact Factor: 5,2
Web of Science® Times Cited: 1
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 3 listopada 2023
Abstrakty: angielski
We suggest an approach for detecting and identifying ignition failure on a internal combustion engine used in aviation through the analysis of vibration time series. The research is carried out at the experimental stage, where time series of vibrations are collected from sensors installed in various parts of the facility at various rotational speeds and various operating conditions (no failure/failure of a selected piston). The time series were decomposed into periodic components centered around dominant frequencies. Data with greater dimensionality was statistically described using linear and non-linear indicators in short time windows, and labeled accordingly. Instead of examining the statistical significance of the characteristics of individual groups, machine learning classification methods were used, which allowed to distinguish the operating state of the engine (damaged/undamaged), and also to identify a specific unfired cylinder. The use of non-linear indicators allowed us to obtain 100% classification accuracy with a small number of samples.