مقاله کاربرد آنالیز ارتعاشات و سیستم استنتاج فازی در تشخیص هوشمند عیوب دیفرانسیل

بخشی از مقاله

چکیده: در سالهای اخیر، پایش وضعیت و عیب یابی ماشینها به عنوان بخشی از سیستمهای نگهداری، به علت مزایای فراوانش همچون کاهش هزینههای نگهداری، بهبود تولید و افزایش در دسترس بودن به موقع ماشینها، به صورت جهانی کاربرد یافته است. به منظور پیادهسازی سامانهی پایش وضعیت، روشهای گوناگونی تاکنون مورد استفاده قرار گرفته است که یکی از متداولترین آنها تحلیل امواج ارتعاشی در حوزه فرکانس است. این پژوهش روشی را برای پایش وضعیت دیفرانسیل تراکتور MF285 بر پایهی سامانه استنتاج فازی به همراه درختهای تصمیم ارائه مینماید.

از الگوریتم J48 به عنوان ابزاری برای طراحی طبقه بند و انتخاب ویژگیهای موثر در عیب یابی بهره گرفته شد . خروجی الگوریتم J48 یک درخت تصمیم است که برای تولید قوانین اگر-آنگاه و مجموعهی توابع عضویت سامانه فازی بکار برده شد. درجه انطباق نهایی سامانه در تشخیص عیوب دیفرانسیل %93/33 بود. نتایج بیانگر آن است که مدل ترکیبی J48_FIS توانایی لازم برای عیب یابی دیفرانسیل را دارد.

-1 مقدمه

در میان تجهیزات صنعتی پرکاربرد و رایج در صنعت راه سازی و ماشین های کشاورزی، دیفرانسیل ها نقش بسیار مهمی دارند و در بخش راهسازی و کشاورزی از همه مهم تر نقش موثر آن در تراکتور به عنوان سمبل ماش ینهای کشنده، بسیار پر اهمیت می باشد.[1] اهمیت کنترل کیفی تراکتورهای تولیدی بخصوص دیفرانسیل آنها بسیار مهم بوده و می‌تواند در دراز مدت علاوه بر رضایتمندی مصرف کنندگان داخلی و افزایش عملکرد در بخش‌های مختلف راهسازی و کشاورزی، بخش وسیعی از بازارهای جهانی را نیز تحت پوشش قرار دهد.

لذا خرابی و توقف ناگهانی دیفرانسیل در تراکتور بخصوص در حین انجام عملیات کشاورزی می‌تواند ضررهای اقتصادی زیادی به همراه داشته باشد.[2] بنابراین پیشگیری از ایجاد عیب و تعیین وضعیت هر قسمت از ماشینهای کشاورزی بخصوص دیفرانسیل تراکتور و اعلام عیب احتمالی در خطوط مونتاژ قطعات، پیش از بروز آن همواره بسیار مهم بوده و نقش عمدهای را در جهت بازدهی بیشتر ماشین‌های کشاورزی و صنعتی ایفا می‌کند.

تشخیص اولیه عیوب ماشین در حالی که ماشین هنوز در حال کار است، می‌تواند در جلوگیری از وقوع حوادث غیر قابل پیش بینی و از کارافتادگی ناگهانی و همچنین اتلاف زمان کمک کند.[3] به همین دلیل تشخیص عیب ماشین به صورت یک موضوع تحقیقاتی در مراکز دانشگاهی و صنعتی درآمده است. دیفرانسیل - به علت متفاوت بودن شرایط حرکتی چرخ‌های محرک چپ و راست در زمین‌های ناهموار - یکی از مهمترین اجزای تراکتور است که در صورت معیوب شدن، تراکتور قادر به کار کردن در نبوده و این امر باعث تلفات زمانی می‌گردد.

-2 مواد و روشها

1-2 ساخت بستر انجام آزمایش

بهمنظور انجام آزمایشهای موردنظر در این تحقیق و برای نصب دیفرانسیل و موتور الکتریکی برای جمعآوری هر چهبهتر دادهها از حالتهای مختلف عیوب، بستر آزمایش بهعنوان یکی از مهمترین بخش های داده برداری به صورتی که در شکل 1 ملاحظه میشود، ساخته شد.

شکل .1 بستر آزمایش.

در تحقیق حاضر عیوب حالتهای مختلفی از عیوب مورد بررسی قرار گرفتند که در شکل 2 سیگنالهای ارتعاشی حالتهای مختلف دیفرانسیل نشان داده شده است. وضعیتهای مختلف دیفرانسیل عبارت بودند از:

.1  سلامت دیفرانسیل

.2  خرابی در یاتاقان

.3  شکستگی و سایش در دندانه های کرانویل

.4  شکستگی و سایش در دندانه های پینیون

2-2 پردازش سیگنال

اگرچه داده های ارتعاشی اطلاعات بسیار مهم و سودمندی از وضعیت ماشین را حمل میکنند، اما آنها تنها سیگنال عیوب را شامل نمیشوند بلکه نویزهای فراوانی نیز در آن ها وجود دارد. وجود این نویزها در س یگنال ها ی حوزه زمان تشخیص عی ب به صورت مستقیم را با مشکلات جدی مواجه میکند. حل این مشکل نیازمند آن است که سیگنال ها از حوزهی زمان به حوزه فرکانس انتقال یابند تا علاوه بر حذف نویز، بتوان اطلاعات سودمندتری نیز از آن ها به دست آورد. روش های فراوانی برای پردازش سیگنال معرفیشده اند که ازجملهی آن ها میتوان به تبدیل سریع فوریه اشاره نمود.[8]

شکل 3 نمایش امواج شکل 2 در حوزه فرکانس میباشد. در بررسی شکل به راحتی مشاهده می‌شود که دامنه‌ی تغییرات ناشی از خرابی دندانه کرانویل و پینیون و خرابی یاتاقان نسبت به حالت سلامت بیشتر است. این نشان می‌دهد که هرچه وضعیت دندانه در چرخ دنده بدتر شود ارتعاش تولیدی ناشی از دوران آن نیز بیشتر می‌شود.

3-2 استخراج ویژگی طیفهای ارتعاشی

استفاده از خروجیهای تبدیل فوریه سریع به صورت مستقیم در سامانه های هوشمند امکان پذیر نیست. به همین دلیل بایستی با استفاده از توابعی، ویژگیهای سیگنال اولیه محاسبه و استفاده گردند. ویژگی های آماری و بعضی توابع مورد استفاده در پایش وضعیت که به منظور استخراج ویژگی ها استفاده شدند عبارتند از:[9]

میانگینF1، انحراف معیارF2، مربع میانگین خطاF3، چولگیF4، واریانسF5، کورتوسیسF6، مومنتوم چهارمF7 و پنجمF8 و ششمF9، ضریب شکلF10، مقدار دامنه قله سیگنالF11، ضریب پراکندگیF12، حاصل تقسیم ممان مرکزی سوم بر مکعب میانگینF13، حاصل تقسیم ممان مرکزی چهارم بر توان چهارم میانگینF14، حاصل تقسیم مقدار دامنه قله سیگنال بر مربع میانگین جذر مقدار سیگنالF15، حاصل تقسیم جذر میانگین مربعات بر میانگین مقدار سیگنالF16، میانگین هندسیF17،ضریب تیزیF18، میانگین هارمونیکF19 و لغزش.F20

3-2سامانه هوشمند تشخیص عیب

1-3-2 درخت تصمیم

درخت های تصمیم به عنوان بخشی از سیستم های داده کاوی، ابزار قدرتمندی برای طبقه بندی محسوب میشوند .[10] در تحقیق حاضر به منظور طبقه بندی عیوب دیفرانسیل با به کار گیری ویژگیهای مستخرج از طیفهای ارتعاشی ناشی از عیوب، از نرم افزار Weka و الگوریتم J48 استفاده شد. نرم افزار Weka مجموعه ای از الگوریتمهای ماشین یادگیری و ابزارهای پیش پردازنده است.

این نرم افزار تمامی جنبه های کامل داده کاوی - آماده سازی داده های ورودی، ارزیابی آماری یادگیری و نموداری نمودن دادههای ورودی و نتایج خروجی - را شامل میشود. به منظور کلاس بندی عیوب به هر یک از حالتهای مختلف دیفرانسیل یک برچسب اختصاص داده شد - جدول . - 1 از هرکدام از حالت های دیفرانسیل، 50 طیف تحصیل گردید که به صورت کاملا تصادفی %70 از هرکدام از ویژگیها برای آموزش و استخراج طبقه بند و %30 مابقی برای سنجش نهایی مدل فازی به کار گرفته شد.