بخشی از مقاله
چکیده
در این مقاله بررسی رفتار ارتعاشی رولربرینگ در اثر عیبهای موضعی به روش تجربی انجام گرفته است. عیب یابی از طریق اندازهگیری و پردازش سیگنالهای ارتعاشی به دست آمده از شتابسنجهای نصب شده بر روی یاتاقانها در دوحالت سالم و معیوب انجام یافته است. نوآوری در روش تجربی اعمال نیروی ارتعاشی به صورت تحریک خارجی بر روی شفت حامل یاتاقان در حین کار بوده و عیبیابی با استفاده از شبکه عصبی - Multilayer perceptron - MLP با ساختار 3 :9:3 میباشد. نتایج به دست آمده نشان میدهد که اعمال تحریک خارجی باعث بهبود تشخیص عیب در یاتاقان میشود.
-1 مقدمه
بلبرینگها اجزایی هستند که نقش مهمی در تجهیزات دوار ایفا میکنند و در کارخانههای تولیدی در بسیاری از دستگاهها نظیر کمپرسور، توربینهای گاز و بخار، ژنراتورها و ... مورد استفاده قرار میگیرند. که خرابی نا به هنگام این اجزا در دستگاهها باعث تعطیلی دستگاه و در نتیجه باعث تعطیلی یک بخش میشود. از این رو عیب یابی بلبرینگها اهمیت بسزایی در صنعت دارد. عیب یابی بلبرینگها به روشهای مختلف انجام میشود مانند آلتراسونیک و آنالیز ارتعاشی . - Jaswinder, 2011 - آنالیز ارتعاشات به خاطر فراهم آوردن طیف وسیعی از اطلاعات ارزشمند با سرمایه گذاری کم، اهمیت ویژهای را کسب کرده است
در تحقیقی که بولی و همکارانش در مورد عیبیابی بلبرینگ انجام دادند از پردازش سیگنال و شبکه عصبی برای تشخیص و شناسایی عیب استفاده کردهاند که از نتایج به دست آمده به این نتیجه رسیدهاند که شبکه عصبی روش بسیار موثر و کارآمد در تشخیص عیب است
پدرسون و همکارانش روی عیبیابی بلبرینگ با استفاده از FFT1 و اندازه-گیری سیگنال ارتعاشی تحقیقات انجام دادند و پیشنهاد دادهاند که بسیاری از عیبهای محلی بر روی بلبرینگ را میتوان با تجزیه وتحلیل سیگنال شناسایی کرد
پنگ تائو و همکارانش کاربردی از تبدیل موجک در شبکه عصبی را برای شناسایی عیب در بلبرینگ معرفی کردند و با توجه به تجزیه و تحلیل دادههای تجربی به این نتیجه رسیدند که سرعت همگرایی شبکه عصبی موجک در تشخیص ترک بیشتر است
منگ لی یک سیستم هوشمند تشخیص عیب با استفاده از ترکیب مدل رگراسیون خطی و شبکه عصبی RBF طراحی کرد و از نتایج به دست آمده به این نتیجه رسید که با این الگو میتوان نرخ دقت تشخیص عیب را به بیش از %90 رساند
مصطفی ابو زید در مورد اثرات بلبرینگ بر روی دینامیک پمپ تحقیق کرد واز نتایج به دست آمده به این نتایج رسید که اولاً با تعویض رولربرینگ معیوب دامنه ارتعاشات در جهت شعاعی % 85 و در جهت محوری %32 کاهش مییابد دوماً جهت شعاعی شاخص خوبی برای بررسی عیبدار بودن بلبرینگ است و جهت محوری شاخص خوبی برای پیش بینی خسارات وارده به ابزار مکانیکی است و از همه مهمتر تأثیر عیب بر روی فرکانس چرخشی ساچمه و رینگ داخلی در مقایسه با رینگ خارجی بیشتر است
پاتیدر و سانی در یک مقاله مروری ضمن جمع آوری تحقیقات بدست آمده، خلاصهای از نتایج بدست آمده برای عیب یابی بلبرینگ ارائه کردند که این نتایج عبارتند از
.1 با آنالیز حوزه زمان فقط میتوان عیب را شناسایی کرد و از مکان عیب هیچ اطلاعاتی نمیتوان به دست آورد.
2 با آنالیز حوزه فرکانس میتوان به مکان عیب نیز دست پیدا کرد و با توجه به پیک بوجود آمده در خصوصیات فرکانسی بلیرینگ به راحتی میتوان به وجود عیب در بلبرینگ پیبرد.
.3 روش پوشی2، روش مناسبی در تشخیص اولیه ترک در بلرینگ است.
4 تحقیقات زیادی شده است که نشان میدهد شبکه عصبی مصنوعی و منطق فازی روشهای بسیار مناسبی برای شناسایی عیب هستند
دی هو و همکارانش در مورد تشخیص عیب ترک بلبرینگ با استفاده از پردازش سیگنال و الگوریتم بهینه سازی تحقیق کردند و به این نتیجه رسیدند که EDM3 و الگوریتم بهینه سازی باعث بهبود وضعیت تشخیص عیب میشود
قوانقچون و همکارانش در مورد تشخیص عیب بلبرینگ با استفاده از روش APSO-SVM4 تحقیق کردند و از نتایج به دست آمده به این نتیجه رسیدند که این روش، روش کارآمدی در تشخیص و شناسایی عیب است
در این تحقیق از دو ابزار مهم در پردازش سیگنال یعنی تبدیل فوریه و تبدیل موجک برای پردازش سیگنال و استخراج بردارهای ویژگی عیوب در رولربرینگ و از شبکه عصبی برای کلاسبندی و تشخیص عیب استفاده شده است. علاوه بر آن، برای بهبود روش عیب یابی، سیستم شفت -رولربرینگ در حین کار تحت تحریک خارجی قرار داده شد. همانگونه که مشاهده خواهد شد، این روش باعث افزایش کارآیی عیب یابی می شود.
ادامه این مقاله به این صورت است که در بخش دوم ابزارهای مورد استفاده در پردازش سیگنال و همچنین شبکه عصبی به صورت مختصر توضیح داده میشود. در بخش سوم، چگونگی انجام آزمایش تجربی و به دست آوردن دادهها بیان میشود و دادههای به دست آمده با استفاده از تبدیل فوریه و تبدیل موجک مورد تجزیه وتحلیل قرار میگیرند. سپس تعدادی از ویژگی-های ضرایب تبدیل فوریه و تبدیل موجک به دست آمده از دادهها انتخاب شده و به طور جداگانه برای آموزش و تشخیص عیب و نوع عیب، به عنوان نرونهای ورودی به شبکه عصبی داده میشود. سرانجام نتایج به دست آمده از شبکه عصبی در تشخیص عیب و نوع عیب در دو حالت با و بدون تحریک خارجی برای هر یک از خصوصیات ضرایب تبدیل فوریه و تبدیل موجک، مورد مقایسه قرار میگیرد. در بخش چهارم نیز بحث و نتیجه گیری ارائه میشود.
-2 ابزارهای مورد استفاده:
انتقال سیگنال از یک مبنا به مبنای دیگر به هر منظور که باشد به روشهای مختلف امکان پذیر است. یکی از این روشها تبدیل سیگنال زمان مبنا5 به فرکانس مبناست6 که به تبدیل فوریه معروف است. روش دیگر، روش موجک است که در این تحقیق از هر دو روش برای تجزیه و تحلیل پاسخ ارتعاشی استفاده میشود. همچنین از شبکه عصبی مصنوعی نیز برای هوشمند سازی تشخیص عیب بهره گرفته شده است.
-1 -2 تبدیل فوریه:
در این تبدیل سیگنال گسسته به وسیله رابطه زیر به مبنای فرکانسی منتقل میگردد.
که نتیجه حاصل جمع حاصل ضرب و تابع نمایی مختلط که میتواند به مولفههای سینوسی حقیقی و موهومی تبدیل شود، تبدیل ضرایب فوریه است که با ضرب شدن در موج سینوسی از فرکانس مربوطه محتوای فرکانسی سیگنال را در آن فرکانس تولید میکند. شکل -1 - الف - شمایی از تبدیل سیگنال را توسط تبدیل فوریه نشان میدهد. درشکل -1 - ب - هم مولفههای فرکانسی سیگنال نمایش داده شده است - . - Michel, 1996
شکل - 1 - تبدیل فوریه و مولفههای فرکانسی
تبدیل فوریه از آنجا که محتوای فرکانسی سیگنال را تعیین میکند، در مواردی که رفتار فرکانسی مهم باشد، اهمیت ویژه-ای پیدا میکند.
-2-2 تبدیل موجک - ویولت - :
تبدیل موجک یک تابع با جمع حاصل ضرب تابع مزبور در تابع موجک مقیاس8 شده و شیفت9 یافته در کل بازه زمانی تعریف میشود. بنابرین به طور کلی می توان نوشت:
نتیجه این تبدیل ضرایب موجک - - هستند که تابعی از مقیاس و مکان هستند . حاصل ضرب هر یک از این ضرایب در موجک مقیاس شده و شیفت یافته مربوطه میزان سهم آن را در سیگنال اصلی تعیین میکند. شمای کلی این فرایند در شکل - 2 - آورده شده است
