Journal bearing lubrication status identication with acoustic emission measurements and data clustering

Les techniques de Machine Learning at de Data Analytics permettent une reconnaissance demandant de ressources informatiques peu co^uteuse en temps de calcul. Dans cette etude, c'est la methode "mean-shift clustering" qui a ete applique. L'algorithme ne necessite pas de specier le nombre de clusters a l'avance car celui-la est determine par l'algorithme en fonction des donnees. Les donnees utilisees pour l'extraction des caracteristiques ont ete mesurees a l'aide d'un systeme d'emission acoustique (AE) a large bande. Les autres parametres contr^oles ont ete le frottement, les temperatures, la charge, la vitesse de glissement et la pression de l'huile. Les materiaux utilises etaient de l'acier cemente 18CrNiMo7-6 et de l'acier nitrure 42CrMo7. Le lubriant utilise etait de l'huile synthetique EP pour engrenages. La temperature du palier a ete maintenue constante. La pression et la vitesse de glissement ont ete variees pendant les tests, ce qui a permis d'obtenir des resultats pour une large gamme en termes de nombre de Hersey. La puissance et la frequence des signaux d'emission acoustique ont ete analysees et les caracteristiques essentielles ont ete extraites pour le traitement des donnees. Le kurtosis, le RMS et le coecient de variation des signaux AE ont ete representes en fonction du nombre de Hersey. Le kurtosis a montre la plus grande sensibilite pour la detection des anomalies. Une sensibilite elevee necessite un ltrage des donnees pour eliminer les pics errones. Des observations ont egalement ete faites sur le niveau de frequence de l'AE en fonction des dierents regimes de lubrication.