بخشی از مقاله

چکیده
در این تحقیق از یک روش هوشمند براي تشخیص عیوب موتور استارت یک تراکتور کشاورزي بر اساس سیگنال-هاي ارتعاشی و سیستم استنتاج تطبیقی عصبی-فازي - ANFIS - استفاده شده است. شرایط موتور استارت شامل حالتهاي سالم ، ترك در بدنه روتور ، نابالانسی در محور محرك و سایش یاتاقان بود. سی وسه پارامتر آماري از سیگنالهاي ارتعاشی در حوزه فرکانس و زمان به عنوان منابع ویژگی ها براي تشخیص عیوب انتخاب شدند. پس از اعمال فیلترینگ ویژگیها، نهایتاً شش ویژگی برتر به عنوان بردارهاي ورودي به ANFIS انتخاب گردید. اعتبار عملکرد سیستم با اعمال مجموعه داده هاي آزمایشی در مدل ANFIS بررسی شد. بر اساس نتایج، دقت طبقه بندي کل 86/67 درصد بود. این نشان می دهد که سیستم حاضر می تواند به عنوان یک سیستم تشخیص عیب هوشمند در عمل مورد استفاده قرار گیرد.

مقدمه

با توجه به افرایش تقاضا در عملکرد بهتر و نیز افزایش در ایمنی و قابلیت اطمینان سیستم هاي دینامیکی، تشخیص عیب براي پایش وضعیت ماشین اهمیت زیادي پیدا کرده است. تشخیص اولیه عیوب ماشین در حالیکه ماشین هنوز در حال کار است، می تواند در جلوگیري از وقوع حوادث غیر قابل پیش بینی و از کارافتادگی ناگهانی سیستم کمک کند. به همین دلیل تشخیص عیب ماشین به صورت یک موضوع تحقیقاتی در مراکز دانشگاهی و صنعتی در آمده است . - Yang, 2004 - یکی از مهمترین کاربردهاي پایش وضعیت تشخیص عیب ماشین هاي الکتریکی است . - Bloch and Geither, 1990

انواع مختلفی از خرابی ها هم به صورت الکتریکی و هم به صورت مکانیکی وجود دارد که باعث ایجاد سطح ارتعاشی نامناسب در یک موتور الکتریکی می گردد که از آن جمله می توان به غیرهمراستایی، شکست روتور، نابالانسی، عیوب سیم پیچی استاتور و خرابی یاتاقان ها اشاره کرد - Bloch and . - Geither, 1990 تا کنون تلاش هاي زیادي براي تشخیص عیب ماشین ها با استفاده از تکنیک هاي هوش مصنوعی انجام گرفته است که می توان به استفاده از سیستم استنتاج منطق فازي براي پمپ هاي دندانه خارجی - - Mollazade et al., 2009، چرخ واگن هاي قطار - Skarlatos et al., 2004 - و موتورهاي الکتریکی - Miguel and Blázquez, 2004 - DC، استفاده از شبکه هاي عصبی مصنوعی براي موتور استارت اتومبیل - Wu and Kuo, 2009 - ، موتورهاي احتراق داخلی - Wu et al., 2010 - و جعبه دنده ها - Saravanan and Ramachandran, 2010 - ، و نیز استفاده از الگوریتم ژنتیک براي یاتاقانهاي غلتشی - Zhang and Randall, 2009 - ، اشاره کرد. علاوه بر این تکنیک ها، سیستم هاي تطبیقی براي طبقهبندي عیوب استفاده شده است. امروزه سیستم هاي تطبیقی عصبی- فازي حوزه وسیعی از کاریردهاي تجاري و صنعتی را که نیاز به تحلیل هاي مبهم و غیردقیق دارند را به وجود آورده اند . - Akcayol, 2004 -

در کشاورزي پیشرفته انجام کارهاي کشاورزي در زمان مناسب بسیار اهمیت دارد. زمان یک فاکتور حیاتی در سیستمهاي کشاورزي است که بر روي عملکرد کل اثر می گذارد. بنابراین ضروري است که ماشین ها در زمان مورد نیاز در دسترس باشند. موتوراستارت یکی از مهمترین اجزاي تراکتور است که در صورت معیوب شدن، موتور تراکتور قادر به روشن شدن نبوده و این امر باعث تلفات زمانی در مزرعه می گردد. بنابراین پژوهش حاضر به منظور معرفی یک تکنیک براي تشخیص خرابی هوشمند موتور استارت تراکتور با استفاده از سیگنال هاي ارتعاشی انجام گرفته است. نتایج حاصل از این پژوهش به تکنسین هاي کارگاه هاي کشاورزي در تشخیص خرابی هاي موتور استارت تراکتور کمک می نماید.
مواد و روش ها

سیستم پیشنهاد شده براي تشخیص عیب روش کلاسیک براي تشخیص خرابی ها شامل بررسی تغییرات قابل اندازه گیري سیستم با توجه به تولرانس مقادیر به دست آمده از پایش وضعیت ماشین با حالت سلامت می باشد. این روش نیازمند حضور یک شخص خبره به منظور اعمال نظر در مورد سلامت یا معیوب بودن ماشین است. در این تحقیق قصد بر آن است که یک سیستم تشخیص عیب هوشمند ارائه گردد به طوریکه این سیستم در دادن تصمیم سریع نسبت به سالم بودن ماشین بدون نیاز به شخص خبره کمک می نماید. در این تحقیق از سیگنال هاي ارتعاشی براي تشخیص عیب هاي موتور استارت تراکتور استفاده گردید. سیستم ارائه شده شامل چهار مرحله است که در شکل 1 نشان داده شده است:

تحصیل داده1، پردازش سیگنال2، استخراج ویژگی3 و طبقهبندي عیب4 که در ادامه شرح داده خواهند شد. در این بخش خلاصه اي از نقش هر یک از این مراحل شرح داده میشود:
تحصیل داده: این مرحله براي جمع آوري سیگنال هاي ارتعاشی می باشد.

پردازش سیگنال: این مرحله شامل انتقال داده ها از حوزه زمان به حوزه فرکانس است.

استخراج ویژگی ها: مهمترین ویژگی هاي معنی دار با استفاده از برخی پارامترهاي ویژگی از حوزه زمان و فرکانس محاسبه می شوند.

طبقه بندي عیب: داده هاي بدست آمده از بخش استخراج ویژگی به ANFIS وارد می شود. نتایج بدست آمده از مجموعه آزمایشی داده ها، دقت طبقه بندي کلی ANFIS را نشان می دهد.
آزمایش ها بر روي موتور استارت تراکتور MF285 انجام گرفت. این استارتر یک موتور الکتریکی است که براي روشن کردن موتور تراکتور به آن نیاز است. استارتر شامل یک موتور الکتریکی قوي و یک سولونوئید است. وقتی جریانی از باطري به سولونوئید می رسد، پینیون روي محور موتور استارت بیرون آمده و با چرخدنده فلایویل موتور درگیر میشود و باعث روشن شدن موتور تراکتور می گردد . - Goering and Hansen, 2004 -

در ستاپ آزمایش نشان داده شده در شکل 2 از شتاب سنج پیزوالکتریک مدل - VMI Ltd, VMI 102 Sweden - که در جهت افقی بر روي بدنه موتور استارت نصب شده بود، استفاده گردید. داده هاي ارتعاشی با استفاده از آنالایزر طیفی - APC Ltd, Korea - APC 40، که یک مبدل آنالوگ به دیجیتال می باشد و یک عدد لپ تاپ DELL VOSTRO 1320 - بخش تحصیل داده - جمع آوري گردید. سرعت دورانی محور موتور استارت نیز با استفاده از یک دورسنج تماسی - DT-2235B model , Lotron Ltd, Taiwan - در لحظه تحصیل داده هاي ارتعاشی تعیین گردید.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید