تجزیه و تحلیل ارتعاشات پمپ گریز از مرکز با هدف تشخیص زودهنگام پدیده کاویتاسیون
محورهای موضوعی : مجله مهندسی زیست سامانه
کلید واژه: ارتعاشات, کاویتاسیون, یادگیری ماشین, پمپ,
چکیده مقاله :
خالد نعیم حسن العابدی[1] - احمد سهیلی مهدی زاده2 *کاویتاسیون یکی از مهمترین موضوعاتی است که علاوه بر وارد کردن آسیب مکانیکی به پمپ سبب ایجاد اختلال در فرایند پمپاژ شده و در صورت رخ دادن آن فرایند پمپاژ متوقف خواهد شد. در این تحقیق با استفاده از روشهای مبتنی بر آنالیز ارتعاشات پدیده کاویتاسیون بررسی شد. سیگنال های ارتعاشی در سه موقعیت نصب حسگر در راستای افقی، عمودی و جانبی بر روی یاتاقان حامل شفت پمپ اندازه گیری شدند. دو حالت سالم و حالت کاویتاسیون بررسی شد. برای هر حالت 50 سیگنال ارتعاشی ثبت شد. هر سیگنال با روش های تبدیل فوریه سریع، تبدیل موجک و تجزیه مدهای ذاتی پردازش و به سیگنال هایی با اطلاعات جزئی تر خرد شد. سپس از هر سیگنال خرد شده 10 مشخصه آماری مانند میانگین، انحراف معیار، چولگی، کورتوسیس و .... استخراج شد و از این مشخصه‌ها جهت ایجاد مدل پیش بینی کاویتاسیون استفاده گردید. نتایج نشان دادند با پیدایش کاویتاسیون رفتار ارتعاشی پمپ تغییر کرد. همچنین تغییر راستای حسگر نیز سبب تغییر میزان ارتعاشات ثبت شده شد. در مجموع بررسی نتایج نشان داد که روش تجزیه مدهای ذاتی و موقعیت نصب حسگر در راستای عمودی دارای بیشترین دقت در تشخیص کاویتاسیون است. بهترین مدل شبکه عصبی مصنوعی دارای حساسیت 98% در تشخیص کاویتاسیون بود.1 -2- گروه مهندسی مکانیک، دانشکده فنی و مهندسی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران*Soheili2008@gmail.com نویسنده مسوول
Khalid Naeem Hassan Al-Abidi 1, Ahmad Soheili Mehdizadeh 2*1-2- Department of Mechanical Engineering, Technical and Engineering Faculty, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran* Coresponding author: Soheili2008@gmail.comCavitation is one of the most important issues that, in addition to causing mechanical damage to the pump, causes disturbances in the pumping process, and if it occurs, the pumping process will be stopped. In this research, the cavitation phenomenon was investigated using methods based on vibration analysis. The vibration signals were measured in three sensor installation positions in horizontal, vertical and lateral directions on the pump shaft carrier bearing. Two healthy states and cavitation state were investigated. 50 vibration signals were recorded for each mode. Each signal was processed with the methods of fast Fourier transform (FFT), wavelet transform (WT) and emperical mode decomposition (EMD) and was broken into signals with more detailed information. After each broken signal, 10 statistical characteristics such as mean, standard deviation, skewness, kurtosis, etc. were extracted. And these characteristics were used to create a cavitation prediction model. The results showed that the vibration behavior of the pump changed with the occurrence of cavitation. Also, changing the direction of the sensor caused a change in the amount of recorded vibrations. In general, the analysis of the results showed that the EMD method and the sensor installation position in the vertical direction have the highest accuracy in detecting cavitation. The best artificial neural network model had a sensitivity of 98% in cavitation detection.
_||_