تشخیص هوشمند عیب در رینگ داخلی و خارجی بیرینگ ها با استفاده از آنالیز ارتعاشات و شبکه های عصبی مصنوعی بهینه شده پرسپترون چند لایه

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 Curtin university استرالیا ضبط شده است. پس از استخراج 11 ویژگی ارتعاشی شامل : Clearance Factor, Crest Factor, Kurtosis, Standard Deviation, Peak ,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 سیگمویید 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 می باشد.

تشخیص هوشمند عیب در رینگ داخلی و خارجی بیرینگ ها با استفاده از آنالیز ارتعاشات و شبکه های عصبی مصنوعی بهینه شده پرسپترون چند لایه Keywords:

آنالیز ارتعاشات , عیب یابی , شبکه های عصبی مصنوعی , ماشین آلات دوار