___________________________________________________________________________
Wybrane problemy i wyzwania automatycznej
diagnostyki elementów maszyn górniczych
Paweł Stefaniak1), Jakub Obuchowski1), Mateusz Sawicki1), Radosław Zimroz1), Grzegorz Żak2), Agnieszka Wyłomańska2),
Walter Bartelmus2) 1)
KGHM CUPRUM sp. z.o.o. Centrum Badawczo-Rozwojowe, Wrocław, pkstefaniak@cuprum.wroc.pl
2)
Politechnika Wrocławska, Wrocław
Streszczenie
W artykule zaprezentowano wybrane problemy automatycznej diagnostyki elementów ma-szyn górniczych. Jednym z najistotniejszych problemów diagnostyki w warunkach kopalni jest automatyczna akwizycja i walidacja danych. Wstępne określenie jakości zebranych danych diagnostycznych pozwala nie tylko na uniknięcie przetwarzania błędnych danych związanych np. z nieprawidłową pracą czujnika, ale także na „autodiagnostykę” systemu pomiarowego, czyli pozyskanie informacji o prawidłowości pracy systemu akwizycji danych. Kolejnym waż-nym problemem automatyzacji diagnostyki maszyn górniczych jest identyfikacja trybu pracy maszyny. W literaturze wykazano, że wielkość obciążenia, ale także charakter jego zmienno-ści ma kluczowe znaczenie na etapie doboru metod przetwarzania sygnałów, jak i schema-tów wnioskowania diagnostycznego. Dobór odpowiednich, odpornych metod ekstrakcji, a następnie przetwarzania danych diagnostycznych, dopasowanych m.in. do występujących zakłóceń zmiennego obciążenia maszyny, a co za tym idzie – zmiennego stosunku sygnału do szumu pozwala skutecznie wykrywać uszkodzenia w maszynach górniczych. Konse-kwentnie, jedynie odpowiednio przetworzone sygnały mogą być podstawą do automatyczne-go ustalenia prawidłowych progów decyzyjnych. Synteza informacji diagnostycznej z wielu źródeł danych może zapewnić skuteczną ocenę aktualnego stanu technicznego elementów maszyny oraz optymalne planowanie prac obsługowo-naprawczych.
Słowa kluczowe: maszyny górnicze, diagnostyka maszyn, utrzymanie ruchu
Selected problems and challenges of automatic diagnosis
of mining machinery components
Abstract
This paper presents selected problems of automatic diagnosis of mining machinery compo-nents. One of the most important problems of diagnostics in an underground mine is automat-ic acquisition and validation of data. Initial determination of the acquired diagnostautomat-ic data quali-ty allows not only to avoid incorrect processing of data related to e.g. malfunction of the sen-sor, but also on the “self-diagnosis” of measuring system, i.e. obtaining information about operation of the data acquisition system. Another important issue of automatic diagnostics of mining machines is to identify the regime of machine operation. In the literature it has been shown that the volume and volatility of load are crucial steps in selection of appropriate signal processing methods and flow of diagnostic inference. Selection of suitable, robust methods of extraction and processing of diagnostic data fitted to, inter alia, time-varying signal-to-noise ratio,allowstodetectthefailureinminingmachineryeffectively.Consequently,onlyappropriately processed signals can be the basis for automatic determination of correct decisionthresholds.
Synthesisofdiagnosticinformationfrommultipledatasourcescanprovideeffectiveassessment of the current technical condition of machine components and optimal planning of service and repair.
Key words: mining machines, machine diagnostics, maintenance
Wprowadzenie
Różnorodność budowy, przeznaczenia i uwarunkowania pracy maszyn górnictwa odkrywkowego i podziemnego jest tak duża, że nie sposób wykorzystać jednej, op-tymalnej, skutecznej metody utrzymania ruchu, zapewniającej ekonomiczną i bez-pieczną eksploatację obiektów technicznych. Z uwagi na specyfikę zintegrowania zespołu maszyn górniczych wchodzących w skład ciągu technologicznego danej kopalni, osiągnięcie pełnego potencjału eksploatacyjnego obiektów parku maszyno-wego wymaga dostępu do aktualnych informacji na temat ich stanu technicznego oraz jakości i efektywności wykonywania czynności obsługowo-naprawczych pro-wadzonych zgodnie z ich harmonogramem [9].
W przypadku małych kopalń, gdzie eksploatowanych jest kilka, kilkanaście ma-szyn, zadanie nie powinno stanowić większego problemu. Zasadniczo, zadanie to komplikuje się wraz ze wzrostem rozmiaru parku maszynowego (liczba obiektów technicznych, wymiar ich rozproszenia terytorialnego), pogarszającymi się warun-kami środowiskowymi oraz stopniem dostępności do obiektów czy różnorodności rozwiązań konstrukcyjnych [6, 7]. Ponadto im bardziej złożona jest problematyka eksploatacyjna, tym większą rolę odgrywa czynnik ludzki, czynnik losowy, zwiększa-ją się koszty eksploatacyjne i straty generowane nieplanowanymi przestojami, a przede wszystkim zapotrzebowanie na działania proaktywne. Zatem wielowątko-wość problematyki eksploatacyjnej decyduje m.in. o liczbie parametrów niezbędnych do akwizycji (drgania, temperatury, ciśnienia, hałas), konieczności szczegółowego ewidencjonowania zdarzeń eksploatacyjnych, jakości i kompletności mierzonych sygnałów, metodzie transmisji danych na powierzchnię, stopniu zaawansowania algorytmów je przetwarzających, a docelowo o skuteczności systemu wspomagają-cego zarządzanie eksploatacją klasy CMMS (ang. Computerised Maintenance Ma-nagement System). Szczególny przypadek stanowią polskie kopalnie rud miedzi KGHM. Dotychczasowe doświadczenia autorów w zakresie akwizycji danych oraz przetwarzania mierzonych sygnałów diagnostycznych pozwoliły zidentyfikować główne problemy i wyzwania automatycznej diagnostyki elementów maszyn górni-czych stosowanych w kopalniach KGHM [6, 7, 9].
1. Walidacja sygnałów – problem automatycznej oceny jakości danych Walidacja sygnałów to kluczowy problem diagnostyki technicznej w górnictwie. Po-trzeba opracowania algorytmów walidacyjnych jest ściśle związana z oceną jakości sygnałów pozyskiwanych z maszyn. W przypadku przemysłowego systemu pomia-rowego implementowanego w realiach kopalni podziemnej sprawą oczywistą jest obecność wielu źródeł zakłóceń, przyczyniających się do akwizycji zaszumionych, zniekształconych danych, z wysoką niepewnością pomiaru [13, 16]. Ponadto, należy spodziewać się także innych losowych zdarzeń, takich jak np. uszkodzenie elementu toru pomiarowego (czujnik, rejestrator, transmisja danych etc.), przez co pozyskanie danych staje się niemożliwe. Dotychczasowe doświadczenia przy wdrażaniu systemów
monitorowania różnego typu maszyn dołowych pokazują, że problem ten jest tu dość mocno zauważalny. Przyczyn takiego stanu rzeczy jest obecnie wiele. Dlatego też niezbędne jest opracowanie szeregu procedur walidacyjnych, które weryfikują kompletność danych, zakłócenia sygnału, identyfikują stany nieustalone mierzonych procesów i parametrów fizycznych wynikające z błędów warstwy akwizycji, tzw. skradzione próbki, czy obserwacje odstające. Ponadto funkcjonalność algorytmów walidacyjnych powinna zapewnić ocenę skuteczności pracy warstwy akwizycji. War-to dodać, że ze względu na wagę informacji o bieżącym stanie technicznym elemen-tów maszyn w skutecznym zarządzaniu procesem ich eksploatacji, uzasadnione wydaje się opracowanie alternatywnych procedur obliczających zmienne, cechy oraz wskaźniki eksploatacyjne na podstawie innych dostępnych sygnałów, których pochodną miał być niemierzony sygnał [9].
2. Identyfikacja obciążenia układu napędowego
Maszyny górnicze bardzo często cechuje całodobowa praca z wykluczeniem krót-kich przerw konserwacyjno-naprawczych. Cechą wyróżniającą je spośród innych maszyn są towarzyszące im zmienne warunki eksploatacyjne (ZWE) oraz ich wpływ na postać mierzonych sygnałów i cech z nich ekstrahowanych (rys. 1). Wymusza to równoległy pomiar parametrów ruchowych maszyny w trakcie rejestracji sygnałów diagnostycznych [2, 7, 8]. W zależności od typu silnika i przeznaczenia maszyny, w praktyce znanych jest kilka metod je określających. Dla przykładu, w przypadku przenośników taśmowych ZWE najprościej wyrazić za pomocą pomiaru chwilowej objętości/masy strugi urobku transportowanego w niecce taśmy. Niemniej jednak pomiar ten nie oddaje w sposób kompletny obciążenia układu napędowego, ze względu na stosowany okres próbkowania (rejestr zwykle co 5, 15 lub 60 s.) oraz pominięcie oporów obracania krążników, bębnów, oporów toczenia taśmy etc. Inne rozwiązanie bazuje na analizie prądu pobieranego przez silnik. Pomiar ten w rea-liach kopalni podziemnej jest narażony na wiele błędów związanych, m.in. z siecią elektryczną i zakłóceniami pola elektromagnetycznego.
Rys. 1. ZWE określone za pomocą A) natężenia prądu i B) prędkości obrotowej wału wejściowego przekładni wraz z równolegle zmierzonym C) sygnałem drganiowym
Bardziej dokładne, alternatywne podejście sprowadza się do pomiaru prędkości obrotowej wału wejściowego przekładni za pomocą sondy tachometrycznej. Na wale umieszcza się znacznik odblaskowy, w kierunku którego skierowana jest wiązka laserowa sondy. Znacznik odbija światło generowane przez sondę zgodnie z cyklem obrotów wału, a następnie rejestrowana jest wiązka odbita (Rys. 2). Jednakże, do pomiarów ciągłych w warunkach przemysłowych stosuje się sondy magnetyczne bądź wiroprądowe.
Rys. 2. Metoda określenia obciążenia zewnętrznego układu napędowego przenośnika za pomocą sygnału tachometrycznego
W przypadku obiektów trudno dostępnych, gdzie pomiar tacho jest niemożliwy istnieje możliwość określenia ZWE z sygnału drganiowego przy wykorzystaniu zja-wiska modulacji częstotliwościowej FM (poprzez demodulację częstotliwości chwi-lowej np. składowej o częstotliwości zazębienia). Znając częstotliwość chwilową zazębienia (możliwe jest jej automatyczne „śledzenie” na podstawie analizy sygnału drganiowego) oraz liczbę zębów poszczególnych stopni zębatych, możliwa jest es-tymacja prędkości obrotowej wału [14].
3. Wpływ parametrów ruchowych na postać sygnału
Jak wspomniano wcześniej, w przypadku większości maszyn górniczych oprócz zmiany stanu technicznego na postać sygnału drganiowego wpływają także ZWE. Wpływ ten zależy również od stopnia zużycia poszczególnych par kinematycznych przekładni oraz czynników konstrukcyjnych, wad montażu etc. Dlatego niezbędne jest określenie wpływu ZWE i zmiany stanu na postać sygnału generowanego przez obiekt techniczny [1-2]. W zależności od warunków eksploatacyjnych, należy dobrać odpowiednią metodę analizy sygnałów, np. w warunkach stałej prędkości obrotowej można analizować sygnał drganiowy za pomocą widma amplitudowego, ale gdy prędkość zmienia się w czasie, należy zmienić dziedzinę z częstotliwości na dzie-dzinę rzędów (ang. order domain). Innym przykładem dopasowania metody analizy sygnałów do ZWE są filtry adaptacyjne. Filtry te automatycznie dopasowują się do zmiennych w czasie charakterystyk sygnału, związanych np. ze zmiennym obciąże-niem i pozwalają w ten sposób na wychwycenie informacji diagnostycznej [15].
4. Progi decyzyjne – metodyka wyznaczania
Inny kluczowy problem diagnostyki maszyn górniczych stanowi identyfikacja warto-ści granicznych dla mierzonych symptomów diagnostycznych. W statystycznym rozpoznawaniu dwustanowym (stan zdatny/stan niezdatny) granice decyzyjne defi-niowane są poprzez wyznaczenie funkcji empirycznej gęstości prawdopodobieństwa ze zbioru symptomu diagnostycznego zmierzonego na obiekcie sprawnym i nie-sprawnym, a następnie określeniu wartości progu decyzyjnego, rys.3. [2, 4, 8, 10].
Rys. 3. Górne wykresy: zależność wartości cechy diagnostycznej od prędkości obrotowej, histogramy cech diagnostycznych. Środkowe wykresy: zależność rozrzutu cechy diagno-stycznej w zależności od obciążenia eksploatacyjnego i stopnia zużycia oraz wizualizacje koncepcji progów alarmowych. Dolne wykresy: próg alarmowy dla klasyfikacji dwustanowej
0.350 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.005 0.01 0.015 0.02 0.025 0.03 x G ę s to ś ć zdatny niezdatny OK ALARM
W przypadku maszyn górniczych, silna zależność cech diagnostycznych od ZWE powoduje nakładanie się funkcji gęstości, przez co wyznaczenie granic decyzyjnych nie jest możliwe (rys. 3). Ponadto zaobserwowano, że w miarę wzrostu obciążenia wzrasta wartość mierzonego symptomu i rozstęp statystyczny jego zbioru wartości. Prawidłowość ta ma silniejszy charakter w miarę postępu procesu zużycia podze-społów układu napędowego. Powyższa zależność wyklucza zatem zastosowanie progu o stałej wartości cechy diagnostycznej względem obciążenia [6, 12]. Dlatego też niezbędne było określenie metodyki wyznaczania granic decyzyjnych. Opraco-wany algorytm w pierwszym kroku dokonuje dopasowania odpowiedniego rozkładu statystycznego do zbioru cechy diagnostycznej i ZWE. W kolejnym kroku estymo-wane są parametry statystyczne, dobrane indywidualnie względem określonego rozkładu prawdopodobieństwa. Ostatecznie, na zbiorze parametrów rozkładu prze-prowadzana jest analiza klasteryzacji metodą k-means (nieuwzględniającą rozkładu danych) oraz analiza regresji liniowej na wynikowych zbiorach grupowania. Na tej podstawie dokonuje się definicji progów decyzyjnych [8] (Rys. 4).
Rys. 4. Po lewej: wynik grupowania k-means (5 klastrów) oraz analiza regresji danych wynikowych. Po prawej: trójstanowa klasyfikacja w oparciu o progi decyzyjne,
będące funkcją cechy diagnostycznej i prędkości obrotowej
5. Zakłócenia o charakterze impulsowym
Zagadnienie zakłóceń o charakterze impulsowym jest kolejnym istotnym problemem automatycznej diagnostyki elementów maszyn górniczych. Zakłócenia te najczęściej występują w sygnałach drganiowych, ale zdarzają się również w innych sygnałach. Powodem występowania zakłóceń impulsowych w sygnałach drganiowych mogą być np. przypadkowe dodatkowe impulsowe źródła sygnału lub impulsy związane z pracą maszyny pod obciążeniem. Sytuację tę ilustruje przykład kruszarki młotko-wej – sygnał drganiowy mierzony na obudowie łożyska zawiera m.in. impulsy po-chodzące od kontaktu nadawy podawanej na kruszarkę z obudową kruszarki, ale także te związane z procesem kruszenia [5]. Niestety, detekcja uszkodzeń na pod-stawie sygnału drganiowego mierzonego podczas pracy bez obciążenia nie jest skuteczna i może prowadzić do błędnych wniosków. Przykładowe rozwiązanie pro-blemu automatycznej diagnostyki polega na zastosowaniu odpornych miar do de-tekcji impulsów w sygnale drganiowym. Problem obserwowany w łożysku kruszarki
9 50 960 970 980 990 1000 200 400 600 800 1000 1200 1400 1600 1800 2000 c e c h a d ia g n o s ty c z n a D F 2
Prędkość obrotowa wału wejściowego prz ekładni, [rpm]
950 960 970 980 990 1000 200 400 600 800 100 0 120 0 140 0 160 0 180 0 200 0 c e c h a d ia g n o s ty c z n a D F 2
Prędkość obrotowa wału wejściowego przekładni, [rpm] ok ostrzeżenie alarm
młotkowej może być rozwiązany przez zastosowanie automatycznej procedury wy-chwytującej jedynie cykliczne impulsy. Zakłócenia impulsowe pojawiają się także w sygnałach pomocniczych i często spowodowane są błędem aparatury pomiarowej [9]. Przykładem tego rodzaju zaburzeń mogą być jednorazowe odczyty wartości temperatur, leżące poza zakresem pomiaru czujnika. W takim przypadku skutecz-nym rozwiązaniem jest usunięcie próbek i interpolacja sygnału, wykorzystując zjawi-sko bezwładności cieplnej badanego elementu maszyny.
6. Idea syntezy informacji z różnych źródeł danych
Z uwagi na przedstawioną w artykule wielowątkowość problematyki eksploatacyjnej maszyn górniczych osiągnięcie ich pełnego potencjału eksploatacyjnego wymaga dostępności do bieżącej informacji na temat stanu technicznego, historii eksploata-cyjnej, jakości i efektywności wykonywania prac obsługowo-naprawczych, co wymu-sza integrację danych z różnych źródeł. Proces fuzji danych sprowadza się więc w dalszej kolejności do wielowymiarowego przetwarzania danych, w celu syntezy informacji niezbędnych do podejmowania bieżących decyzji eksploatacyjnych i pla-nowania prac obsługowo-naprawczych. W systemach maszynowych o dość dużym rozproszeniu przestrzennym maszyn zaleca się wykorzystanie środowiska GIS do budowy systemu zapewniającego raportowanie danych za pomocą różnego typu map tematycznych, Rys. 5 [6, 7, 9].
Rys. 5. Ogólny schemat funkcjonalny systemu wspomagającego proces zarządzania eksploatacją
7. Analizy wielowymiarowe w zaawansowanej diagnostyce technicznej W bardziej skomplikowanych przypadkach, ze względu na silny wpływ ZWE na po-stać cech diagnostycznych bazujących na widmie sygnału drganiowego, liczne źró-dła drgań, dynamikę zmienności sygnałów diagnostycznych itd. losowe właściwości procesu eksploatacji, rozpoznanie stanu wymaga bardziej złożonego podejścia – tzw. adaptacyjnego podejmowania decyzji. Obecnie rozwiązanie to stosowane jest w wielu dziedzinach. Bazuje ono na analizie funkcji wielu zmiennych, wykorzystując
związki i relacje o różnej postaci. Co więcej, w przypadku maszyn górniczych, ze względu na wymiar problematyki eksploatacyjnej, samo zwiększenie wymiarowości zbioru danych diagnostycznych i pomocniczych nie rozwiązuje problemu. W najgor-szym przypadku może prowadzić to do tzw. przekleństwa wymiarowości, a to z kolei do zmniejszenia skuteczności systemu diagnostycznego. Ponadto, wraz ze wzrostem liczby zmiennych, istotna jest również kwestia eliminacji współzależności danych. Dlatego coraz częściej współczesna diagnostyka techniczna wykorzystuje techniki data mining [3, 6, 11], w szczególności te bazujące na sztucznej inteligencji [6]. W aspekcie rozpoznawania stanu, stosuje się je do oceny użyteczności i wyboru najbardziej informacyjnych cech diagnostycznych, w zależności od stosowanej kla-syfikacji stanu, a w szczególności do podjęcia decyzji, czy dany obiekt techniczny należy dopuścić do eksploatacji i jak długo można go bezpiecznie eksploatować. Na Rys. 6 przedstawiono przykład wykorzystania sieci Kohonena grupowania danych, co daje podstawę do planowania harmonogramu prac obsługowo-naprawczych. Algorytm dokonuje klasyfikacji przestrzennej zbioru wskaźników eksploatacyjnych określających w aspekcie technicznym, ekonomicznym i organizacyjnym stan pracy jednostek napędowych sieci przenośników i efektywność personelu obsługi.
Rys. 6. Wynik klasyfikacji przestrzennej zbioru wskaźników eksploatacyjnych. Algorytm decyzyjny w oparciu o wartości wskaźników w 4 zidentyfikowanych wzorcach
(niebieski, zielony, czerwony i fioletowy) określił stosowne zalecenia eksploatacyjne
Wnioski
W artykule przedstawiono wybrane zagadnienia automatycznej diagnostyki elemen-tów maszyn górniczych na podstawie maszyn użytkowanych w górnictwie rud mie-dzi. Zagadnienia te obejmują problemy związane z akwizycją sygnałów, doborem odpowiedniej techniki ich przetwarzania – adekwatnej do trybu pracy oraz poziomu i rodzaju zakłóceń, czy ustaleniem progów decyzyjnych zależnych od warunków
eksploatacyjnych. Zautomatyzowane procedury, rozwiązujące powyższe problemy, pozwalają na kontrolę stanu technicznego wielu maszyn jednocześnie i mogą zmi-nimalizować czas trwania i liczbę przestojów w pracy danej maszyny. Automatyczna diagnostyka maszyn górniczych to kolejny krok, po instalacji systemu monitorowa-nia, w kierunku osiągnięcia pełnego potencjału eksploatacyjnego obiektów parku maszynowego.
Bibliografia
[1] Bartelmus W., Chaari F., Zimroz R., 2010, Haddar M., Modelling of gearbox dynamics under time-varying nonstationary load for distributed fault detection and diagnosis, Eu-ropean Journal of Mechanics – A/Solids, 29/4, s. 637-646.
[2] Bartelmus W., Zimroz R., 2009, A new feature for monitoring the condition of gearboxes in non-stationary operating conditions, Mechanical Systems and Signal Processing, vol. 23, s. 1528-1534.
[3] Bartkowiak A., Zimroz R., 2014, Dimensionality reduction via variables selection – Linear and non-linear approaches with application to vibration-based condition monitoring of planetary gearbox, Applied Acoustics 77, s. 169-177.
[4] Brooks R., Thorpe R., Wilson J., 2004, A new method for defining and managing pro-cess alarms and for correcting propro-cess operation when an alarm occurs, Journal of Hazardous Materials 115.
[5] Obuchowski J., Zimroz R., Wyłomańska A., 2015, Identification of cyclic components in presence of non-Gaussian noise – application to crusher bearings damage detection, Journal of Vibroengineering, 17(3), s. 1242-1252.
[6] Stefaniak, P., Zimroz, R., Bartelmus, W., Hardygóra, M., 2014, Computerised decision-making support system based on data fusion for machinery system’s management and maintenance, Applied Mechanics and Materials 683, s. 108-113.
[7] Stefaniak K., Zimroz R., Krol R., Gorniak-Zimroz J., Bartelmus W., Hardygora M., 2012, Some remarks on using condition monitoring for spatially distributed mechanical system belt conveyor network in underground mine – a case study Condition monitoring of ma-chinery in non-stationary operations: proceedings of the Second International Confe-rence "Condition Monitoring of Machinery in Non – Stationary Operations", CMMNO' 2012, (red). Tahar Fakhfakh i in., Springer, s. 497-507.
[8] Stefaniak P., Wyłomańska A., Obuchowski J., Zimroz R., 2015, Procedures for decision thresholds finding in maintenance management of belt conveyor system – statistical modeling of diagnostic data, [w:] Lecture Notes in Production Engineering, Christian Niemann-Delius (ed.), Springer, s. 391-402.
[9] Stefaniak P., Zimroz R., Sliwinski P., Andrzejewski M., Wylomanska W., 2014, Multidi-mensional signal analysis for technical condition, operation and performance under-standing of heavy duty mining machines, 4th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations (CMMNO 2014), LYON (France), s. 15-17.
[10] Zimroz R., Stefaniak P., Bartelmus W., Hardygóra M., 2015, Novel techniques of diag-nostic data processing for belt conveyor maintenance, Proceedings of the 12th Interna-tional Symposium Continuous Surface Mining – Aachen 2014, Lecture Notes in Produc-tion Engineering, s. 31-40.
[11] Zimroz R., Bartkowiak A., 2013, Two simple multivariate procedures for monitoring plan-etary gear-boxes in non-stationary operating conditions, Mechanical Systems and Signal Processing 38/1, s. 237-247.
[12] Zimroz R., Bartelmus, W., Barszcz, T., Urbanek, J., 2013, Diagnostics of bearings in presence of strong operating conditions non-stationarity-A procedure of load-dependent features processing with application to wind turbine bearings, Mechanical Systems and Signal Processing doi: 10.1016/j.ymssp.2013.09.010.
[13] Zimroz R., Wodecki J., Król R., Andrzejewski M., Śliwiński P., Stefaniak P.K., 2014, Self-propelled mining machine monitoring system – data validation, processing and analysis. Mine planning and equipment selection: proceedings of the 22nd MPES Conference, Dresden, Germany, 14th-19th October 2013, vol. 2, Carsten Drebenstedt, Raj Singhal (eds.). Springer, s. 1285-1294.
[14] Zimroz R., 2007, Non-stationary operating conditions analysis by instantaneous speed monitoring for mining machines diagnostics. Proceedings of the Sixteenth International Symposium on Mine Planning and Equipment Selection (MPES 2007) and the Tenth In-ternational Symposium on Environmental Issues and Waste Management in Energy and Mineral Production (SWEMP 2007), Bangkok, Thailand, December 11-13, 2007, Ed. by Singhal [w:]. Irvine, Ca.: The Reading Matrix, 2007, s. 1160-1170.
[15] R. Zimroz, W. Bartelmus, 2011, Application of Adaptive Filtering for Weak Impulsive Signal Recovery for Bearings Local Damage Detection in Complex Mining Mechanical Systems Working under Condition of Varying Load, Solid State Phenomena, vol. 180, s. 250-257.
[16] Kępski P., Barszcz, T., 2012, Validation of vibration signals for diagnostics of mining machinery, Diagnostyka, nr 4(64), s. 25-30.
