عیب یابی سر سیلندر خودرو با استفاده از امواج مکانیکی و هوش مصنوعی
محورهای موضوعی : انتقال ارتعاشات
مجتبی دوست محمدی
1
(دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی ، سمنان، ایران)
مرتضی محمدظاهری
2
(استادیار، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی ، سمنان، ایران)
احسان جمشیدی
3
(استادیار، گروه مهندسی مکانیک، واحد سمنان، دانشگاه آزاد اسلامی ، سمنان، ایران)
کلید واژه: عیب یابی, تست مودال, اجزاءمحدود, سرسیلندر, شبکه عصبی مصنوعیANN,
چکیده مقاله :
ایمنی قطعات و ماشین آلات برای کاربران آن ها امری مهم تلقی می شود و عیوب قطعات به عنوان یکی از مهم ترین عوامل تهدید کننده سلامتی قطعات همواره مورد توجه بوده است. در این مقاله روشی نو جهت استفاده از شبکه عصبی مصنوعی بر پایه عیب یابی سرسیلندر خودرو پراید به کمک امواج مکانیکی ارائه شده است. در ابتدا سرسیلندر خودرو با جزئیات کامل مدلسازی شده است و سپس در نرم افزار اجزاء محدود مدل اجزاء محدود بدست آورده شده است. سپس برای تایید و اعتبار سنجی به مدل اجزاء محدود، قطعه تحت تست مودال قرار گرفته و بعد از تایید مدل شبیه سازی عیب ها بر روی مدل اجزاء محدود انجام شده است. با شبیه سازی اعمال نیرو بر مدل (FEM) سیگنال شتاب – زمان دو مدل سالم و معیوب برای هر عیب محاسبه می شود. و با استفاده از امضای مکانیکی عیوب (اختلاف شتاب بین دو مدل سالم و معیوب) و آموزش آن به یک شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) که اختلاف سیگنال شتاب را به موقیعت عیب ارتباط می دهد. عیب یابی سرسیلندر خودرو (تخمین مکانی عیب) صورت گرفته است. نتایج بدست آمده قابلیت شبکه عصبی طراحی شده در تخمین موقیعت عیب را به خوبی نشان می دهد
Safety of machinery parts, it is important for users and defects as one of the most important parts of threats to the health of the pieces have always been considered. In this paper, a new method based on the use of artificial neural networkDetection Pridecylinder head into mechanical waves is presented. Then, for verification and validation of the finite element model , modal test piece , and after confirming the fault simulation is performed on a finite element model. Force simulation model (FEM) acceleration signal - the healthy and faulty models calculated for each fault. And with the signing of mechanical defects ( acceleration difference between healthy and faulty models ) and to train a multilayer perceptron neural network (MLP) , the difference between the acceleration signal to the associated fault location. Detectionautomotive cylinder head (estimated fault location) has been. The results of the neural network capabilities designed to estimate the fault location on a good show.