تشخیص عیوب ماشینهای دوار با آنالیز ارتعاشات و استفاده از شبکه ‏عصبی

Abstract

مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف‌های فرکانسی ارتعاشات نقاط ‏مختلف آن با طیف‌های مرجع موجود ‏است. استفاده از این روش عیب‌یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می‌توان وضعیت نقاط مختلف آن ‏را ‏تحت بررسی قرار داد و همچنین فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی، می‌توان اقدام ‏به تعمیر آن ‏نمود. در این تحقیق، از شبکه‌ی عصبی پرسپترون چند لایه (‏MLP‏) و شبکه عصبی پیشخور (‏FNN‏) استفاده شده است. ‏همچنین عیوب متداول در ‏ماشین‌آلات دوار بطور جداگانه ایجاد شد و فرکانس ارتعاشی تولیدی توسط ‏دستگاه ‏آنالیزور ‏ADASH 4400‎‏ اندازه‌گیری گردید. با معرفی چهار ویژگی ارتعاشی شامل ناهمراستایی زاویه‌ای، لقی، خرابی و ‏نابالانسی بیرینگ بعنوان داده‌های ورودی به شبکه‌های عصبی مصنوعی، نتایج با سیگنالهای فرکانسی مرجع مقایسه گردید.‏‎ ‎نتایج ‏نشان می‌دهد که شبکه‌های عصبی ‏MLP‏ و ‏FNN‏ به ترتیب تا 73% و 78% توانایی تشخیص عیوب را دارند. بنابراین روش ‏FNN‏ برای پیش‌بینی و شناسایی عمر مفید قطعات دوار پیشنهاد می‌گردد.‏