تشخیص عیوب ماشینهای دوار با آنالیز ارتعاشات و استفاده از شبکه عصبی
محورهای موضوعی : ارتعاشات غیر خطی
سید مجید عطایی اردستانی
1
(گروه مهندسی کشاورزی، دانشگاه فنی و حرفه‌ای، تهران، ایران)
کلید واژه: آنالیز ارتعاشات, شبکه عصبی پرسپترون چند لایه, , شبکه عصبی پیشخور, ماشینهای دوار, تشخیص عیوب,
چکیده مقاله :
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.
The base of diagnosing the possible defects of a machine is comparing the frequency ‎spectra of the vibrations at different points with the existing reference spectra. Due to the ‎needless stoping of machine for investigation of its various parts, use of this ‎troubleshooting method is affordable; Also, regarding to progress of possible ‎defectes, the machine can be rapaired in any required times. In this study , using ‎Neural Network (MLP and FNN), firstly common defects in rotating machines were created ‎separately, then the produced vibrational frequency were measured by ADASH 4400 ‎analyzer. Introducing four vibrational characteristics including angular misalignment, ‎clearance, failure and unbalance of bearing as input data of artificial neural network ,the ‎results were compared to the reference frequency signals. The results show that neural ‎networks MLP and FNN increase the defects detection ability by 73% and 78%, ‎respectively. So, FNN method is proposed for useful life prediction and detection of rotating ‎parts.‎
_||_