پایش وضعیت مکانیزم نگهدارنده کلاچ تراکتور مسی فرگوسن 281 به کمک آنالیز ارتعاشی و ANFIS

محورهای موضوعی : مجله مهندسی زیست سامانه

تاریخ دریافت : 1392/11/27 تاریخ پذیرش : 1393/02/23 تاریخ انتشار : 1393/03/30

کلید واژه: عیب یابی, مکانیزم نگهدارنده کلاچ, آنالیز ارتعاش, سیستم استنتاج عصبی- فازی,

چکیده مقاله :

در این تحقیق سیستم استنتاج تطبیقی فازی (ANFIS) عنوان سیستم پشتیبان تصمیم گیری برای بررسی تشخیص عیوب مکانیزم نگهدارنده کلاچ تراکتور مسی فرگوسن 285 اعمال گردید. شرایط مکانیزم نگهدارنده شامل 1000و 1500 ،2000 دور در دقیقه و دو وضعیت مختلف نصب سنسور به صورت عمودی و افقی انجام گرفت. طیف ارتعاشی حوزه زمان و فرکانس از داده های ارتعاشی به دست آمد. پارامتر آماری از سیگنال های ارتعاشی در حوزه ی فرکانس و زمان به عنوان منابع ویژگی ها به منظور تشخیص عیوب انتخاب شدند. پس از اعمال فیلترینگ ویژگی ها نهایتاً سه ویژگی برتر به عنوان بردارهای ورودی به ANFIS بررسی شد. اعتبار عملکرد سیستم با اعمال مجموعه داده های آزمایشی و آموزشی پس از محاسبه پارامتر های آماری در مدل ANFIS به دست آمد. سیستم ارائه شده به خوبی نتوانست عیب مربوط به کاسه نمد را تشخیص دهد. اما بدون در نظر گرفتن داده های ارتعاشی اخذ شده از کاسه نمد در طبقه بندی، دقت طبقه بندی کلی حاصل از ANFISبرابر با 99/14 درصد در وضعیت نصب سنسور به صورت عمودی و مقدار 100 درصد در وضعیت سنسور به صورت افقی بود. نتایج نشان داد که سیستم حاضر می تواند به عنوان یک سیستم تشخیص عیب هوشمند در عمل مورد استفاده قرار گیرد

چکیده انگلیسی:

In this study, ANFIS, as decision support system, is applied to detect the faults of MF 285 mechanism tractor clutch. Maintenance mechanisms include normal mode, roller failure, seal failure and attrition-based. Experiments were carried out in three speed : 1000, 15000, 2000 RPM and two conditions. The sensor was mounted vertically and horizontally. Vibrating spectrum of the time domain and the frequency of vibration datawere obtained. Thirty-three statistical parameters of vibration signals in frequency domain and time were chosen as the sources attribute to detect errors. Finally, the top three features as input vectors to the ANFIS were evaluated. Using statistical parameters the performance of the system was calculated with the experimental data and training of ANFIS model. The system could not provide a seal to identify the fault. Regardless of the vibration data obtained from the classification of the seal, the overall classification accuracy of the ANFIS was 99.14% in the amount of 100% of the sensor installed vertically and horizontally. The results showed that this system could act as an intelligent diagnosis system