بخشی از مقاله
چکیده
با گسترش کاربرد هوش مصنوعی در پایش وضعیت ماشینها، استفاده از تشخیص حالت نامتعارف اهمیت پیدا خواهد کرد. استفاده از شبکههای عصبی مصنوعی در پایش وضعیت ماشین الات دوار نیازمند در اختیار داشتن مجموعه دادههایی برای آموزش حالتهای مختلف سلامت و معیوب ماشین است.
حال اگر ماشین رفتاری از خود نشان دهد که در مجموعه دادههای آموزشی وجود ندارد، در این حالت، روش هوش مصنوعی دچار خطا شده و این رفتار جدید ماشین را به عنوان یکی از حالتهای آموزش داده شده طبقهبندی کند و در نتیجهی تشخیص نادرست امکان بروز حادثه در ماشین وجود خواهد داشت. در این تحقیق با استفاده از چند نوع شبکهی عصبی مصنوعی به تشخیص عیوب و همچنین تشخیص حالت نامتعارف در پمپ گریز از مرکز با استفاده از دادههای آزمایشگاهی پرداخته شده است.
1 مقدمه
استفاده از سیستمهای هوش مصنوعی در تشخیص و پیشبینی عیوب و تحلیل دادههای بدستآمده از سامانههای پایش وضعیت امری کاربردی و پر اهمیت میباشد که میتواند ضمن نهادینه کردن تجربههای مهندسین، آنها را در تشخیص و پیشبینی عیوب کمک نماید. یک الگوریتم طبقهبندی باید توانایی تمایز بین حالتهای شناخته شده را داشته باشد. علاوه بر این گاهی ممکن است حالت های جدید و ناشناختهای رخ دهد که در هیچ یک از کلاسهای شناخته شده قرار نداشته باشد. از این موارد تحت عنوان حالت نامتعارف نام برده میشود. امکان تشخیص حالتهای نامتعارف توسط سیستم خبره یکی از قابلیتهای کاربردی در طبقهبندی است که بر توانمندی سیستم میافزاید. تشخیص حالت نامتعارف که اولین بار توسط بایشاپ در سال 1994 معرفی گردید
روش شناسایی دادههای جدید یا شناخته نشده است که یک سیستم خبره - مانند شبکه عصبی - با آن آموزش داده نشده است. به عبارت دیگر دادههایی که در حوزه رفتار عادی سیستم نیستند تشخیص داده می شود. یعنی در ابتدا تشخیص حالت نامتعارف با دادههایی آموزش میبیند که در حوزه رفتار عادی سیستم هستند، در نتیجه هر رفتاری که خارج از حوزه آموزش دیده باشد را به عنوان حالت نامتعارف شناسایی می کند. برای این منظور، مدلهای مختلف تشخیص حالت نامتعارف مانند شبکههای عصبی، ماشینهای بردار پشتیبان با یک کلاس - - OCSVM2، منطق فازی و... معرفی شدهاند.
پمپها یکی از سیستمهای مکانیکی پر کاربرد در صنایع مختلف از جمله صنایع غذایی، پتروشیمیها و پالایشگاه های نفت هستند. پمپها دارای طیف کارکرد گستردهای بوده و می توانند نیاز های جریان چند منظوره را تامین کنند. در یک دسته بندی کلی پمپها در دو نوع دورانی و جابجایی معین قرار میگیرند که هر کدام نقاط ضعف و قوت خاص خود را دارا هستند. یکی از پرکاربردترین پمپها را میتوان پمپ سانترفیوژ3 نام برد. در این مقاله نتایج پیادهسازی تشخیص حالت نامتعارف در پمپهای سانتریفیوژ بر اساس دادههای ارتعاشی اندازه گیری شده بر روی ارائه میشود.
بسیاری از محققان، پژوهشها و تحقیقات خود را بر مبنای تشخیص طبقهبندی عیوب در ماشینهای دوار انجام دادهاند . وونگ4 و همکاران در سال 2006، از شبکه عصبی خودسازمانده 5 برای پیاده سازی تشخیص حالت نامتعارف تک کلاسه بر روی یاتاقانهای غلتشی با در نظر گرفتن حالت معیوب به عنوان حالت نامتعارف استفاده کردند. آنها این روش را به صورت دو آزمایش متفاوت با تعداد سنسورهای مختلف مورد بررسی قرار دادند که روش بکارگرفته شده در هر دو آزمایش دقت بالایی در تشخیص حالت نامتعارف داشته است
لی6 و همکاران در سال 2009، روشی برای تشخیص هوشمند عیوب ماشین آلات دوار بر اساس تبدیل موجک7، تجزیه سیگنال به مولفههای ذاتی8، پارامترهای بدون بعد، و شبکه عصبی مصنوعی توابع پایهی شعاعی9 ارائه دادند. در این روش، از WPT و EMD، برای پیش پردازش سیگنالهای ارتعاشی و استخراج ویژگی عیوب استفاده میشود. سپس پارامترهای بدون بعد در حوزه زمان، از هر یک از سیگنالهای ارتعاشی اصلی و سیگنالهای پیش پردازش شده، استخراج میشود، تا یک مجموعه ترکیبی سیگنالهای ارتعاشی اصلی و سیگنالهای پیش پردازش شده ایجاد شود.
در نهایت، با توجه به عوامل ارزیابی، ویژگیهای حساس انتخاب شده و به ورودی شبکه عصبی RBF داده میشود که میتواند شرایط عملیاتی ماشینهای مختلف را به طور خودکار شناسایی کند. نتایج تجربی نشان می دهد که روش ترکیبی WPT، EMD، روش ارزیابی فاصله و شبکه RBF میتواند اطلاعات مربوط به عیوب را استخراج کند، و به همین ترتیب میتواند عیوب مختلف در یاتاقان را به درستی تشخیص دهد
لی10 و همکاران در سال 2013، تشخیص حالت نامتعارف را بر اساس adaptive Gaussian threshold و OC-SVM برای توربو پمپها بکار بردند. روش اول به صورت آنلاین و روش دوم به صورت آفلاین استفاده شده است. نتایج حاصل از هر دو روش مطلوب بوده و توانسته دادههای حالت نامتعارف را تشخیص دهد .[4] زیاجا11 و همکاران در سال 2014، روش تشخیص حالت نامتعارف را با شبکههای عصبی بر روی یاتاقان غلتشی یک سیستم آزمایشگاهی و یاتاقانهای غلتشی یک توربین بادی پیاده کردند. آنها حالت سالم را به شبکه عصبی برای آموزش داده و حالت معیوب را به عنوان حالت نامتعارف در نظر گرفتند.
در هر دو حالت مشاهده شد که آسیبها به وضوح شناسایی شدند .[5] دلگادو12 و همکاران در سال 2017، تشخیص حالت نامتعارف را با سه روش KNN13، OC-SVM14 و GMM15 بر روی ماشین صنعتی مورد آزمایش قرار دادند که دقت روش KNN حدود 94 درصد بوده و از بقیه بالاتر است و در ضمن نباید از پیکربندی ساده OC-SVM و عملکرد مناسب آن غافل بود .[6] سیمرت16 و همکاران در سال 2017، تشخیص حالت نامتعارف× بر اساس SVM را برای تشخیص ترک در یاتاقان غلتشی هیبرید طراحی کردهاند که نتایج حاکی از صحت تشخیص الگوریتم طراحی شده است
هان17 و همکاران در سال 2017، به مقایسه روشهای SVM، RF18 و ANN پرداختند. تجزیه و تحلیل تطبیقی نشان دهنده ویژگی بسیار عالی RF در دقت، ثبات و استحکام طبقهبندی ویژگی ها میباشد. در این تحقیق، RF برای تشخیص عیوب، بدون استفاده از روش پیچیدهی پیش پردازش سیگنال، استفاده شده است. بر اساس نتایج بدست آمده RF می تواند در مواردی که مجموعه آموزش کوچک باشد، به دقت تشخیص بالا برسد و به طور قابل ملاحظه ای از ANN و SVM بهتر عمل کند
لو19 و همکاران در سال 2017، با استفاده از شبکه عصبی کانولوشن به عیب یابی یاتاقان ها پرداختند. مدل CNN می تواند نیازهای محاسبات یادگیری را در ابعاد زمانی کاهش دهد. استخراج ویژگیها و استفاده آنها در روشهای یادگیری کم عمق سنتی، محدودیت اجتناب ناپذیری را از نظر دقت و ثبات نشان داده است. در نتیجه، در این تحقیق نسخه جدیدی از روش یادگیری عمیق بر اساس CNN معرفی شده است. مقایسه آزمایشات و تجزیه و تحلیلها برای مشخص کردن اثربخشی مدل CNN برای طبقهبندی عیوب یاتاقانها، انجام شده است. در روش پیشنهادی، با توجه به آزمایشات انجام شده، دقت بدست آمده بالای 90 درصد بوده است
