h1

000794171 001__ 794171
000794171 005__ 20251015161722.0
000794171 020__ $$a978-3-941277-42-7
000794171 0247_ $$2HBZ$$aHT020534183
000794171 0247_ $$2Laufende Nummer$$a39576
000794171 0247_ $$2datacite_doi$$a10.18154/RWTH-2020-07453
000794171 037__ $$aRWTH-2020-07453
000794171 041__ $$aEnglish
000794171 082__ $$a620
000794171 1001_ $$0P:(DE-82)IDM02759$$aLeaman Weiffenbach, Felix Alberto$$b0$$urwth
000794171 245__ $$aContributions to the diagnosis and prognosis of ring gear faults of planetary gearboxes using acoustic emissions$$cFélix Alberto Leaman Weiffenbach$$honline
000794171 250__ $$a1. Auflage
000794171 260__ $$aStolberg$$bVerlag R. Zillekens$$c2020
000794171 300__ $$a1 Online-Ressource (xiv, 156 Seiten) : Illustrationen, Diagramme
000794171 3367_ $$02$$2EndNote$$aThesis
000794171 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000794171 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000794171 3367_ $$2BibTeX$$aPHDTHESIS
000794171 3367_ $$2DRIVER$$adoctoralThesis
000794171 3367_ $$2DataCite$$aOutput Types/Dissertation
000794171 3367_ $$2ORCID$$aDISSERTATION
000794171 4900_ $$aAachener Schriften zur Rohstoff- und Entsorungstechnik des Instituts für Maschinentechnik der Rohstoffindustrie$$v101
000794171 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000794171 502__ $$aDissertation, RWTH Aachen University, 2020$$bDissertation$$cRWTH Aachen University$$d2020$$gFak05$$o2020-05-28
000794171 5203_ $$aTrotz der in den letzten Jahrzehnten erzielten Fortschritte auf dem Gebiet der Maschinenzustandsüberwachung gibt es immer noch Fälle, in denen der aktuelle Stand der Technik nicht ausreicht und neue Technologien und fortschrittliche Analysemethoden erforderlich sind, um Ausfälle zu vermeiden. Ein Beispiel dafür sind Planetengetriebe, die eine der Hauptkomponenten des Antriebsstrangs von Schwermaschinen wie Schwerkraftwagen, elektrische Seilbagger, Hubschrauber und Windkraftanlagen sind. Obwohl diese Systeme meist mit Körperschall-, Temperatur-, und anderen Sensoren zur Erkennung von Fehlern in mechanischen Komponenten ausgestattet sind, können diese Technologien unter bestimmten Umständen keine ausreichende Fehlererkennung ermöglichen. Daher ist die angewandte Untersuchung neuer Überwachungstechnologien und -methoden im Bereich des Maschinenzustandsmanagements ein erforderlicher Fortschritt. In dieser Arbeit wird der Einsatz der Schallemissionstechnologie zur Fehlerdiagnose und -prognose von Planetengetrieben behandelt. Verschiedene Signalverarbeitungsmethoden werden vorgestellt und ihr Potenzial für die Analyse von Schallemissionssignalen diskutiert. Dazu gehören Methoden im Zeitbereich, Frequenzbereich und Zeit-Frequenzbereich wie die Berechnung statistischer Merkmale, die Erkennung von Schallemissions-Bursts, die Hüllkurvenanalyse, die empirische Moduszerlegung, die Zyklostationarität und die Wavelet-Transformation. Die Methoden werden mit experimentellen Daten getestet, die an verschiedenen Planetengetrieben gemessen wurden. Darunter nicht nur Labormessungen, sondern auch Messungen an Windkraftgetrieben im Feld. Es werden zwei Arten von Hohlradschaden analysiert, nämlich Zahnverschleiß und Rissbildung. Bezüglich der Fehlerdiagnose des verschlissenen Zahnes zeigten die Ergebnisse, dass dieser durch die Analyse des Hüllkurvenspektrums aufgrund der Amplitudenmodulationen, die dieser in den gemessenen Schallemissionssignalen erzeugt, erkannt werden kann. Aufgrund der Komplexität der Schallemissionssignale können diese Amplitudenmodulationen jedoch nur durch den Einsatz komplementärer Signalverarbeitungsmethoden zur Verbesserung des Signal-Rauschen-Verhältnis richtig dargestellt werden. Eine Fallstudie zur Prognose dieses Fehlers wird ebenfalls vorgestellt. Hier wird ein neues Merkmal basierend auf einer relativen Zählung der AE-Bursts vorgeschlagen, dessen Prognose mittels eines genetisch optimierten künstlichen neuronalen Netzwerks durchgeführt wird. Bei der Fehlerdiagnose des gerissenen Zahnes wurden mit dem gleichen Ansatz wie beim verschlissenen Zahn keine klaren Ergebnisse erzielt. Für diesen Fall hat sich ein Konzept, das auf der Charakterisierung der Schallemissions-Bursts in Bezug auf ihre Form und Hauptfrequenz basiert, als erfolgreich erwiesen. Ein wichtiger Aspekt der vorgeschlagenen Charakterisierungsmethode war die Berechnung der Hauptfrequenz der Bursts. Hier konnte aufgrund der Überlappung von normalen Bursts durch Zahnkontakt und anormalen rissinduzierten Bursts nur die Wavelet-Paket-Transformation angemessene Zeit- und Frequenzauflösungen für diese Aufgabe erzielen. Die Ergebnisse dieser Forschungsarbeit bilden die Grundlage für die Analyse von Schallemissionssignalen zur Fehlererkennung in Planetengetrieben. Am Ende der Arbeit werden auch Empfehlungen zur Entwicklung eines zuverlässigen Zustandsüberwachungssystems auf Basis von Schallemissionssignalen gegeben.$$lger
000794171 520__ $$aDespite the progress made in the last decades in the field of machine condition monitoring, there are still cases where the current state of the art is not enough and new technologies and advanced analysis methods are required to prevent failures. One example are planetary gearboxes (PGs), which are one of the main powertrain components of heavy machinery such as off-highway trucks, electric rope shovels, helicopters and wind turbines. Although those systems are most of the time equipped with vibration, temperature and other sensors to detect faults in mechanical components, these technologies might not be able to perform well under certain circumstances. Therefore, the applied investigation on new monitoring technologies and methods in the field of machine health management is a necessary step. In this work the use of the acoustic emission (AE) technology for the fault diagnosis and prognosis of PGs is addressed. Different signal processing methods are presented and their potential for the analysis of AE signals is discussed. They include methods in the time domain, frequency domain and time-frequency domain such as calculation of statistical features, detection of AE bursts, envelope analysis, empirical mode decomposition (EMD), cyclostationarity and the wavelet transform (WT). The methods are tested with experimental data measured on different PGs, including not only laboratory measurements but also measurements on wind turbine gearboxes in field. Two types of ring gear faults are analyzed, which are worn and cracked teeth. Regarding the fault diagnosis of a worn tooth, the results indicated that it can be detected by the analysis of the envelope spectrum in account of the amplitude modulations that it produces in the measured AE signals. However, due to the complexity of the AE signals those amplitude modulations can be only properly revealed by the use of complementary signal processing techniques to enhance the signal-to-noise ratio. A case study regarding the prognosis of this fault is also presented. Here, a novel feature based on a relative counting of the AE bursts is proposed and its forecasting is carried out by means of a genetically-optimized artificial neural network (ANN).Regarding the fault diagnosis of a cracked tooth, no clear results were obtained with the same approach used for the worn tooth. For this case, a concept based on the the characterization of the AE bursts with respect to their shape and main frequency proved to be successful. An important aspect of the proposed characterization methodology was the calculation of the main frequency of the bursts. Here, due to the overlapping of normal bursts originated from teeth contact and abnormal bursts originated from crack growth, only the wavelet packet decomposition (WPD) could achieve appropriate time and frequency resolutions to perform this task.The results obtained in this research work constitute the basis for the analysis of AE signals to detect faults in PGs. At the end of the work, recommendations for the development of a reliable condition monitoring system based on AE signals are also given.$$leng
000794171 588__ $$aDataset connected to Lobid/HBZ
000794171 591__ $$aGermany
000794171 7001_ $$0P:(DE-82)IDM00813$$aNienhaus, Karl$$b1$$eThesis advisor$$urwth
000794171 7001_ $$0P:(DE-82)008290$$aSeeliger, Andreas$$b2$$eThesis advisor$$urwth
000794171 8564_ $$uhttps://publications.rwth-aachen.de/record/794171/files/794171.pdf$$yOpenAccess
000794171 8564_ $$uhttps://publications.rwth-aachen.de/record/794171/files/794171_source.zip$$yRestricted
000794171 8564_ $$uhttps://publications.rwth-aachen.de/record/794171/files/794171.gif?subformat=icon$$xicon$$yOpenAccess
000794171 8564_ $$uhttps://publications.rwth-aachen.de/record/794171/files/794171.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000794171 8564_ $$uhttps://publications.rwth-aachen.de/record/794171/files/794171.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000794171 909CO $$ooai:publications.rwth-aachen.de:794171$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000794171 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02759$$aRWTH Aachen$$b0$$kRWTH
000794171 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00813$$aRWTH Aachen$$b1$$kRWTH
000794171 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)008290$$aRWTH Aachen$$b2$$kRWTH
000794171 9141_ $$y2020
000794171 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000794171 9201_ $$0I:(DE-82)513310_20180515$$k513310$$lLehrstuhl und Institut für Advanced Mining Technologies$$x0
000794171 9201_ $$0I:(DE-82)510000_20140620$$k510000$$lFachgruppe für Rohstoffe und Entsorgungstechnik$$x1
000794171 961__ $$c2020-09-28T10:26:51.658805$$x2020-07-13T09:39:33.845166$$z2020-09-28T10:26:51.658805
000794171 9801_ $$aFullTexts
000794171 980__ $$aI:(DE-82)510000_20140620
000794171 980__ $$aI:(DE-82)513310_20180515
000794171 980__ $$aUNRESTRICTED
000794171 980__ $$aVDB
000794171 980__ $$abook
000794171 980__ $$aphd