تشخیص و طبقه بندی عیوب پمپ هیدرولیک دنده ای با استفاده از پردازش سیگنال های ارتعاشی توسط تبدیل موجک پیوسته و شبکه عصبی کانولوشنی
محورهای موضوعی : مجله مهندسی زیست سامانه
کلید واژه: عیب یابی, اسکالوگرام, پمپ هیدرولیک, شبکه کانولوشنی,
چکیده مقاله :
حیدر فاضل محمد1، احمد سهیلی مهدی زاده2*پمپ های هیدرولیکی به عنوان قلب یک سیتم هیدرولیک هستند و هر گونه خرابی که در آنها ایجاد شود عملکرد سیستم هیدرولیک مختل می شود لذا پایش کارکرد پمپ های هیدولیک جهت اطمینان از آماده به کار بودن سیستم های هیدرولیکی امری ضروری است. در مقاله حاضر یک روش هوشمند براساس پردازش سیگنال های ارتعاشی و روش یادگیری عمیق برای تشخیص عیوب در پمپ هیدرولیک دنده ای استفاده شد. در پژوهش حاضر از یک پمپ هیدرولیک دنده داخلی استفاده شد. آزمون های داده برداری بر روی پمپ در سرعت 1200 دور در دقیقه با استفاده از حسگر ارتعاش سنج Global Test AP 98-100 و مجموعه اکتساب داده Advantech USB-4704 data acquisition انجام شد. برای هر وضعیت از پمپ 100 سیگنال ضبط شد و سپس هر سیگنال توسط روش تبدیل موجک پیوسته پردازش گردید و در نهایت از این تصاویر جهت ایجاد مدل یادگیری عمیق برای طبقه بندی عیوب پمپ استفاده شد. شبکه عصبی کانولوشنی با 13 لایه جهت طبقه بندی عیوب در پمپ ایجاد شد و پس از 70 بار تکرار آموزش، مدل آموزشی بهینه شد و به دقت با دقت 67/96 % دست یافت. ارزیابی مدل نشان داد که دقت این مدل برای تشخیص سه کلاس سالم، سائیدگی در دنده داخل و سائیدگی در دنده خارجی برابر با 33/88% بود.1-2 گروه مهندسی مکانیک، دانشکده فنی و مهندسی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران* نویسنده مسؤول: Soheili2008@gmail.com
Hydraulic pumps are the heart of a hydraulic system, and any failure that occurs in them disrupts the performance of the hydraulic system, so it is essential to monitor the operation of hydraulic pumps to ensure that hydraulic systems are ready for operation. In this article, an intelligent method based on vibration signal processing and deep learning method was used to detect faults in gear hydraulic pump. In this research, an internal gear hydraulic pump was used. Data acquisition tests were performed on the pump at a speed of 1200 rpm using the Global Test AP 98-100 vibration sensor and the Advantech USB-4704 data acquisition set. For each situation, 100 signals were recorded from the pump, and then each signal was processed by the continuous wavelet transform method, and finally, these images were used to create a deep learning model for pump fault classification. A convolutional neural network with 13 layers was created to classify faults in the pump, and after 70 repetitions of training, the training model was optimized and achieved an accuracy of 96.67%. Evaluation of the model showed that the accuracy of this model to detect healthy, wear in the inner gear and wear in the outer gear was equal to 88.33%.
_||_