بخشی از مقاله
چکیده
بیرینگ ها از مهمترین تجهیزات ماشین آلات دوار بوده و بروز عیوب در آنها باعث ایجاد خرابی و خسارت در دیگر تجهیزات می شود، اهمیت شناسایی به موقع عیوب از این رو می باشد که می توان از کاهش بازده و تولید و خرابی احتمالی سیستم جلوگیری به عمل آورد، با توجه به اینکه شرایط سالم و ناسالم در قطعات سیگنال های ارتعاشی معینی را تولید خواهند کرد، به منظور تشخیص عیوب و با توجه به شرایط به وجود آمده در عیب، از روش های تحلیل سیگنال های ارتعاشی متفاوتی استفاده میگردد.
در این مقاله از روش تحلیل و پردازش سیگنال های ارتعاشاتی در حوزه ی زمان و فرکانسی جهت استخراج ویژگی های ارتعاشاتی مورد استفاده قرار گرفته و بدین منظور یک مدل بیرینگ از نوع ER-16K ساخت شرکت MB کشور انگلستان که ابتدا ارتعاشات آن توسط یک شتاب سنج پیزوالکتریک در حالت کارکرد سالم و در حالت ناسالم در رینگ خارجی و داخلی نیز تحت بار قرار گرفته و ارتعاشات آن در دانشگاه استرالیا ضبط شده است.
پس از استخراج 11ویژگی ارتعاشی شامل :
,Average, Energy, RMS, Impulse Factor, Shape Factor, Normalizer Energy برای حالات سالم و ناسالم بصورت یک ماتریس جهت طبقه بندی و تشخیص عیوب از شبکه های عصبی مصنوعی چند لایه پرسپترون بهره برده و به عنوان ورودی به این شبکه عصبی مصنوعی اعمال کردیم. با توجه به پایین بودن درصد تشخیص صحیح عیوب، نوآوری صورت گرفته جهت بهینه سازی خروجی مذکور شبکه و تشخیص نوع عیب در این تحقیق با اصلاح تابع فعال سازی لایه خروجی به تابع تانژانت سیگموئید و استفاده از الگوریتم پس انتشار و انتخاب صحیح تعداد لایه های مخفی می باشد که سبب رسیدن به درصد بالای 98 درصد جهت پیش بینی دقیق تر نوع عیب بیرینگ معیوب میباشد.
-1 مقدمه
یکی از پرکاربرد ترین روش های پایش وضعیت ماشین آلات دوار تحلیل ارتعاشات می باشد، تحقیقات نشان داده است که 40 تا 50 درصد از خرابی های ماشین آلات دوار ناشی از خرابی یاتاقان ها می باشد که بیشترین سهم را در بین عیوب به خود اختصاص داده است بنابراین چنانچه بتوان روند ایجاد و پیشرفت این نوع عیوب را در مراحل اولیه آشکار کرد، میتوان تاحد زیادی از خسارات ناشی از توقف در سیستم و خرابی سایر اجزا و هزینه های دیگر جلوگیری کرد
هر چند روش های مختلفی برای تشخیص و شناسایی عیب یاتاقان ها در مقالات ارائه شده است، اما همچنان طراحی یک سیستم پایش وضعیت برای این قطعه در دنیای واقعی به علت ساختار پیچیده آن ها و نیز شرایط نامناسب عملکردی آنها به لحاظ وجود نویز و تاثیری که در فرآیند تشخیص و شناسایی عیب دارد مورد بررسی است
به منظور آنالیز سیگنال ارتعاشاتی روش های گوناگونی نظیر تبدیل فوریه، تبدیل فوریه سریع، آنالیز ویولت و... جهت استخراج برخی پارامترهای سیگنال ارتعاشاتی در حوزه زمان یا زمان - فرکانسی استفاده می گردد، که با توجه به نوع عیب و ماهیت آن از ویژگی های مختص به آن نوع عیب میتوان بهره جست، برای مثال در عیوبی که ماهیت عیب از نوع ضربه ای میباشد مانند حالات ترک، شکستگی و ... از ویژگی هایی که بیشتر نشانگر این نوع ماهیت ضربه ای بوده استفاده کرده و در عیوبی که بیشتر حالت پایدار دارند مانند ساییدگی از ویژگی هایی که تمییز کننده این نوع عیب می باشد را از سیگنال های ارتعاشاتی میتوان استخراج نمود.
.1دیاگرام روند عیب یابی ارتعاشی
-1-1 شبکه های عصبی مصنوعی
شبکه عصبی مصنوعی در واقع مدل ساده شده از سیستم عصبی پستاندارن می باشد که به عنوان یک سیستم هوشمند در طی چند دهه گذشته به عنوان یکی از ابزار های مهم مورد استفاده قرار می گیرد، انعطاف پذیری و قابلیت تعمیم، از جمله خصوصیات مهمی است که استفاده از این نوع سیستم را در مسائل مربوط به حوزه های علمی و مهندسی را مطلوب می سازد، ویژگی دیگر مهم شبکه های عصبی این است که میتوانند یاد بگیرند یا آموزش ببینند تا دانش مطلوب را به دست آورند تا در پیش بینی سیستم های ناشناخته عملکردی منطقی و درست از خود نشان دهند.
مهم ترین مراحل تشکیل یک شبکه عصبی برای پیش بینی یا طبقه بندی، عبارتند از:
الف. مشخص کردن ورودی ها و خروجی های شبکه
ب. انتخاب یک الگوریتم اختصاص یافته برای شبکه
ج. تعریف تعداد لایه های مخفی
د. یادگیری شبکه روی یک مجموعه نماینده از نمونه ها
ه. آزمایش شبکه روی یک مجموعه مستقل از مجموعه یادگیری
و. به کاربردن مدل تعمیم یافته برای پیش بینی نتایج در حالت واقعی
مغز انسان دارای تقریبا نرون میباشد و هر نرون با نرون دیگر در ارتباط می باشد، در شکل 2 ساختار داخلی یک نرون بیولوژیک نمایش داده شده است . قسمت های مختلف یک نرون شامل: سیناپس ها - اتصال دهنده های قابل تنظیم - ، دندریت ها - ورودی - ، اکسون - خروجی - می باشد.
.2 ساختار یک نرون بیولوژیک
شبکه های ساده، قادر به حل و تحلیل مسائل ساده می باشد. برای تحلیل مسائل پیچیده از شبکه های پرسپترون چند لایه استفاده می شود. این شبکه ها علاوه بر لایه های ورودی، دارای یک یا چند لایه میانی - پنهان - می باشند. در این شبکه ها خروجی هر لایه به عنوان لایه بعدی محسوب می شود. به همین دلیل آن را پیشرو می گویند
