تشخیص عیب و تعیین درصد سالم بودن جعبه دنده با استفاده از تحلیل ویولت و شبکه عصبی مصنوعی

در این مقاله سعی شده تا در شرایط واقعی، سیگنال ارتعاش به عنوان پارامتری قابل اطمینان برای استخراج بردار ویژگی شبکه عصبی مصنوعی در راستای تشخیص عیب جعبه دنده بررسی گردیده و شبکه عصبی با کمک درصد، سالم بودن ومعیوب بودن جعبه دنده را اعلام نماید. ابتدا جعبه دنده را در شرایط عادی بر روی دستگاه تست قرار داده و شرایط واقعی را بر روی این دستگاه تست ایجاد می نماییم. شرایط این میز آزمون به نحوی است که با استفاده از سه موتور الکتریکی، یکی برروی محور ورودی و دو تا روی محور خروجی شرایط واقعی ایجاد می گردد. این شرایط با تعیین مقدار بار و دور ورودی برایورود به جعبه دنده و تعیین نسبت دنده های مختلف جعبه دنده و انتخاب دنده مورد نظر برای تست، خروجی دستگاه (دور و گشتاور) را اعلام نموده و آماده شروع تست می باشد. این تست در دنده 3 و حالت نیمه بار و دور 2500RPMبرای ورود بهجعبه دنده برای آزمایش و نمونه گیری انتخاب گردید. سیگنال های ارتعاشی مربوطه را به کمک یک سنسور ارتعاش سنج کهبر روی بدنه جعبه دنده نصب شده است، به دست آورده که مربوط به دو نوع، حالت سالم و معیوب جعبه دنده معرفی شده در شرایط واقعی و تحت بار با استفاده از میز آزمون جعبه دنده استخراج گردید. سپس با کمک آنالیز ویولت، اطلاعات را پیشپردازش کرده و آماده ورود به شبکه عصبی گردید. پس از آن با استفاده از سیستم های شناسایی الگو، عملیات دسته بندی وجداسازی اطلاعات برای آموزش شبکه عصبی صورت گرفت. در انتها با استفاده از اطلاعات کسب شده، آزمایش شبکه عصبیانجام گردید. در این شبکه عصبی، خروجی شبکه عصبی را به صورت دیتایی 20 تایی (متشکل از صفر و یک) تعریف گردید. در این تعریف، خروجی شبکه عصبی بین 0.8 تا 1 را 1 تعریف کرده و خروجی بین 0 تا 0.2 را صفر در نظر داریم. در شبکه عصبی خروجی مربوط به حالت سالم را یک تعریف کرده و برای حالت معیوب صفر تعریف گردید. این شیوه کم نظیر برای انتخاب درصد برای خروجی شبکه عصبی، حالت سالم را 100 % اعلام نموده و برای حالت معیوب 0 % اعلام نموده است. نتایج این تحقیق نشان می دهد که امکان شناسایی سالم بودن یا معیوب بودن جعبه دنده در این شبکه عصبی مصنوعی با درصد اطمینان 98/5وجود دارد.

کلیدواژه ها:

شبکه عصبی مصنوعی ، پایش وضعیت ، جعبه دنده ، درصد سالم بودن