elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English Montag, 30. Dezember 2024
Schriftgröße: [-] Text [+]

A Data-Driven Approach Based on Artificial Neural Networks for the Detection and Classification of Bearing Anomalies in Power Generation Plants

Senarathna, S. I. und Prasanshi, L.A.U. und Senanayake, S.D.W. und Wimalarathne, Dhammike und KUMARAWADU, S. und LOGEESHAN, V. und Rajakaruna Wanigasekara, Chathura (2023) A Data-Driven Approach Based on Artificial Neural Networks for the Detection and Classification of Bearing Anomalies in Power Generation Plants. In: 2023 IEEE World AI IoT Congress, AIIoT 2023. IEEE. 2023 IEEE World AI IoT Congress (AIIoT), 2023-06-07 - 2023-06-10, Seattle, WA, USA. doi: 10.1109/AIIoT58121.2023.10174441. ISBN 979-835033761-7.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/10174441

Kurzfassung

Power generation plants play a crucial role in modern societies, but they are vulnerable to different types of anomalies and faults that can have serious economic and environmental consequences. Bearing anomaly detection is an effective approach to recognize potential failures beforehand and avoid their occurrence. Recently, artificial neural networks (ANNs) have emerged as a promising approach for detecting anomalies in power generation plants, owing to their capability of acquiring intricate patterns and adapting to diverse operating circumstances. The presented study proposes a novel method to detect bearing anomalies in power generation plants using artificial neural networks. The approach aims to enhance the precision and dependability of anomaly detection by incorporating diverse features extracted from bearing data signals. Experimental validation was carried out on vibration data obtained from a real-world power generation plant to demonstrate the effectiveness of the proposed approach for detecting bearing anomalies. The results indicate that the proposed approach surpasses conventional methods, emphasizing the potential of ANNs for detecting vibration anomalies in power generation plants with higher accuracy and reliability.

elib-URL des Eintrags:https://elib.dlr.de/196225/
Dokumentart:Konferenzbeitrag (Vorlesung)
Titel:A Data-Driven Approach Based on Artificial Neural Networks for the Detection and Classification of Bearing Anomalies in Power Generation Plants
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iD
Senarathna, S. I.University of Moratuwa
Prasanshi, L.A.U.University of Moratuwa
Senanayake, S.D.W.University of Moratuwa
Wimalarathne, DhammikeCeylon Electricity Board
KUMARAWADU, S.University of Moratuwa
LOGEESHAN, V.University of Moratuwa
Rajakaruna Wanigasekara, Chathura*Chathura.Wanigasekara (at) dlr.dehttps://orcid.org/0000-0003-4371-6108
*DLR corresponding author
Datum:Juli 2023
Erschienen in:2023 IEEE World AI IoT Congress, AIIoT 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/AIIoT58121.2023.10174441
Verlag:IEEE
ISBN:979-835033761-7
Status:veröffentlicht
Stichwörter:Artificial neural networks, Machine learning, Condition monitoring, SuperTML, Tilted pad journal bearing
Veranstaltungstitel:2023 IEEE World AI IoT Congress (AIIoT)
Veranstaltungsort:Seattle, WA, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:7 Juni 2023
Veranstaltungsende:10 Juni 2023
HGF - Forschungsbereich:keine Zuordnung
HGF - Programm:keine Zuordnung
HGF - Programmthema:keine Zuordnung
DLR - Schwerpunkt:keine Zuordnung
DLR - Forschungsgebiet:keine Zuordnung
DLR - Teilgebiet (Projekt, Vorhaben):keine Zuordnung
Standort: Bremerhaven
Institute & Einrichtungen:Institut für den Schutz maritimer Infrastrukturen > Resilienz Maritimer Systeme
Hinterlegt von: Rajakaruna Wanigasekara, Chathura
Hinterlegt am:26 Sep 2023 09:36
Letzte Änderung:27 Mai 2024 12:41

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Einige Felder oben sind zurzeit ausgeblendet: Alle Felder anzeigen
Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.