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.

کلیدواژه ها:

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