189 CUPRUM Czasopismo Naukowo-Techniczne Górnictwa Rud nr 3 (76) 2015, s. 189-198 Wybrane problemy i wyzwania automatycznej diagnostyki elementów maszyn górniczych Paweł Stefaniak 1), Jakub Obuchowski 1), Mateusz Sawicki 1), Radosław Zimroz 1), Grzegorz Żak 2), Agnieszka Wyłomańska 2), Walter Bartelmus 2) 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 maszyn 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 ważnym problemem automatyzacji diagnostyki maszyn górniczych jest identyfikacja trybu pracy maszyny. W literaturze wykazano, że wielkość obciążenia, ale także charakter jego zmienności ma kluczowe znaczenie na etapie doboru metod przetwarzania sygnałów, jak i schematów 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. Konsekwentnie, jedynie odpowiednio przetworzone sygnały mogą być podstawą do automatycznego 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 components. One of the most important problems of diagnostics in an underground mine is automatic acquisition and validation of data. Initial determination of the acquired diagnostic data quality allows not only to avoid incorrect processing of data related to e.g. malfunction of the sensor, 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, allows to detect the failure in mining machinery effectively. Consequently, only appropriately processed signals can be the basis for automatic determination of correct decision thresholds.
190 Synthesis of diagnostic information from multiple data sources can provide effective assessment 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, optymalnej, skutecznej metody utrzymania ruchu, zapewniającej ekonomiczną i bezpieczną eksploatację obiektów technicznych. Z uwagi na specyfikę zintegrowania zespołu maszyn górniczych wchodzących w skład ciągu technologicznego danej kopalni, osiągnięcie pełnego potencjału eksploatacyjnego obiektów parku maszynowego wymaga dostępu do aktualnych informacji na temat ich stanu technicznego oraz jakości i efektywności wykonywania czynności obsługowo-naprawczych prowadzonych zgodnie z ich harmonogramem [9]. W przypadku małych kopalń, gdzie eksploatowanych jest kilka, kilkanaście maszyn, 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 warunkami 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, zwiększają się koszty eksploatacyjne i straty generowane nieplanowanymi przestojami, a przede wszystkim zapotrzebowanie na działania proaktywne. Zatem wielowątkowość 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 wspomagającego zarządzanie eksploatacją klasy CMMS (ang. Computerised Maintenance Management 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 górniczych stosowanych w kopalniach KGHM [6, 7, 9]. 1. Walidacja sygnałów problem automatycznej oceny jakości danych Walidacja sygnałów to kluczowy problem diagnostyki technicznej w górnictwie. Potrzeba opracowania algorytmów walidacyjnych jest ściśle związana z oceną jakości sygnałów pozyskiwanych z maszyn. W przypadku przemysłowego systemu pomiarowego 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
191 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. Warto dodać, że ze względu na wagę informacji o bieżącym stanie technicznym elementów 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 krótkich 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 realiach 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.
192 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 zjawiska modulacji częstotliwościowej FM (poprzez demodulację częstotliwości chwilowej 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 estymacja 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 dziedzinę 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 obciążeniem i pozwalają w ten sposób na wychwycenie informacji diagnostycznej [15].
193 4. Progi decyzyjne metodyka wyznaczania Inny kluczowy problem diagnostyki maszyn górniczych stanowi identyfikacja wartości granicznych dla mierzonych symptomów diagnostycznych. W statystycznym rozpoznawaniu dwustanowym (stan zdatny/stan niezdatny) granice decyzyjne definiowane są poprzez wyznaczenie funkcji empirycznej gęstości prawdopodobieństwa ze zbioru symptomu diagnostycznego zmierzonego na obiekcie sprawnym i niesprawnym, a następnie określeniu wartości progu decyzyjnego, rys.3. [2, 4, 8, 10]. 0.03 0.025 OK ALARM zdatny niezdatny 0.02 Gęstość 0.015 0.01 0.005 0 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 x Rys. 3. Górne wykresy: zależność wartości cechy diagnostycznej od prędkości obrotowej, histogramy cech diagnostycznych. Środkowe wykresy: zależność rozrzutu cechy diagnostycznej w zależności od obciążenia eksploatacyjnego i stopnia zużycia oraz wizualizacje koncepcji progów alarmowych. Dolne wykresy: próg alarmowy dla klasyfikacji dwustanowej
194 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 podzespołów 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. Opracowany algorytm w pierwszym kroku dokonuje dopasowania odpowiedniego rozkładu statystycznego do zbioru cechy diagnostycznej i ZWE. W kolejnym kroku estymowane są parametry statystyczne, dobrane indywidualnie względem określonego rozkładu prawdopodobieństwa. Ostatecznie, na zbiorze parametrów rozkładu przeprowadzana 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). 2000 1800 1600 2000 1800 1600 ok ostrzeżenie alarm cecha diagnostyczna DF2 1400 1200 1000 800 600 cecha diagnostyczna DF2 1400 1200 1000 800 600 400 400 200 200 950 960 970 980 990 1000 Prędkość obrotowa wału wejściowego przekładni, [rpm] 950 960 970 980 990 1000 Prędkość obrotowa wału wejściowego przekładni, [rpm] 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 młotkowej sygnał drganiowy mierzony na obudowie łożyska zawiera m.in. impulsy pochodzące od kontaktu nadawy podawanej na kruszarkę z obudową kruszarki, ale także te związane z procesem kruszenia [5]. Niestety, detekcja uszkodzeń na podstawie sygnału drganiowego mierzonego podczas pracy bez obciążenia nie jest skuteczna i może prowadzić do błędnych wniosków. Przykładowe rozwiązanie problemu automatycznej diagnostyki polega na zastosowaniu odpornych miar do detekcji impulsów w sygnale drganiowym. Problem obserwowany w łożysku kruszarki
195 młotkowej może być rozwiązany przez zastosowanie automatycznej procedury wychwytującej 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 skutecznym rozwiązaniem jest usunięcie próbek i interpolacja sygnału, wykorzystując zjawisko 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 eksploatacyjnej, jakości i efektywności wykonywania prac obsługowo-naprawczych, co wymusza 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 planowania 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 postać cech diagnostycznych bazujących na widmie sygnału drganiowego, liczne źródła 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
196 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 najgorszym 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 klasyfikacji 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 elementów maszyn górniczych na podstawie maszyn użytkowanych w górnictwie rud miedzi. 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
197 eksploatacyjnych. Zautomatyzowane procedury, rozwiązujące powyższe problemy, pozwalają na kontrolę stanu technicznego wielu maszyn jednocześnie i mogą zminimalizować czas trwania i liczbę przestojów w pracy danej maszyny. Automatyczna diagnostyka maszyn górniczych to kolejny krok, po instalacji systemu monitorowania, 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, European 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 process alarms and for correcting process 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 decisionmaking 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 machinery in non-stationary operations: proceedings of the Second International Conference "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, Multidimensional signal analysis for technical condition, operation and performance understanding 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 diagnostic data processing for belt conveyor maintenance, Proceedings of the 12th International Symposium Continuous Surface Mining Aachen 2014, Lecture Notes in Production Engineering, s. 31-40. [11] Zimroz R., Bartkowiak A., 2013, Two simple multivariate procedures for monitoring planetary gear-boxes in non-stationary operating conditions, Mechanical Systems and Signal Processing 38/1, s. 237-247.
198 [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, Selfpropelled 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 International 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.