تشخیص عیب یاتاقان های پمپ سانتریفیوژ با استفاده از ترکیب روش های تحلیل مولفه های غیروابسته و بهینه سازی دسته ذرات
محورهای موضوعی : یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکی
محمدصادق اعلائی
1
(
گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
)
مهدی شکارزاده
2
(
گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
)
کلید واژه: عیب یابی هوشمند, تحلیل مولفه های غیروابسته, بهینه سازی دسته ذرات, پمپ سانتریفیوژ,
چکیده مقاله :
با توجه به پیشرفت علوم فنی و مهندسی و پیچیده تر شدن تجهیزات و ماشین آلات در سال های اخیر، تکنولوژی تعمیرات و نگهداری مبتنی بر پایش وضعیت و برآورد عیب تحت عناوین مختلفی مورد توجه قرار گرفته است. روش های عیب یابی هوشمند برای شناسایی خرابی ماشین های دوار در مراحل اولیه خرابی به منظور جلوگیری از زیان های جانی، مالی و افزایش آهنگ تولید استفاده می شوند. در این مقاله یک سیستم عیب یابی برای تشخیص عیب یاتاقان پمپ سانتریفیوژ ارایه شده است. برای طراحی این سیستم عیب یابی هوشمند، مجموعه آزمایشی شامل محور، یاتاقان و شرایط تکیه گاهی واقعی در آزمایشگاه طراحی و اجرا شد. در این مجموعه آزمایشگاهی داده های ارتعاشی مورد نیاز از سه یاتاقان با شرایط یک عدد سالم، یک عدد فرسوده و یک عدد یاتاقان دارای کنس خارجی خراب پس از نصب (به صورت جداگانه) برداشت شد. پس از تشریح سیگنال ها در حوزه زمان، سیگنال نهایی استخراج گردید و سپس ویژگی های گوناگون به دست آمده از سیگنال ها به عنوان داده های ورودی طبقه بندی کننده استفاده گردید. بر اساس نتایج به دست آمده از این تحقیق، از میان ویژگی های آماری مختلف، ویژگی صدک، مناسب ترین است. برای طبقه بندی و شناسایی عیب، از روش تحلیل مولفه های غیر وابسته بهره برده شد و در نهایت دقت تشخیص عیب با استفاده از روش بهینه سازی دسته ذرات بهینه گردید و به بیش از سه برابر حالت غیربهینه ارتقا یافت.
Due to the progress of technical and engineering sciences and the more complex equipment and machinery in recent years, the maintenance and repair technology based on condition monitoring and defect estimation, under different titles such as performance-based logistic (PBL) and condition-based maintenance (CBM) is considered. These methods are used to prevent human and financial losses and to increase the production rate. This thesis presents an intelligent troubleshooting system to diagnose centrifugal pump-bearing faults. As a result, to design this intelligent troubleshooting system, a test set including shaft, bearings and real support conditions was designed and implemented in the laboratory. In this setup, three bearings with Normal wear and fault conditions (defect on the outer race) were examined, and vibration data were obtained. Then, the vibration data in extraction time and statistical features were calculated. After that, these features were used as classifier input data for intelligent troubleshooting. To identify the defect, the independent component analysis method was used. Also, the accuracy of fault detection was improved by using the particle batch optimization method. Finally, it was found that the statistical feature of Percentile can detect bearing defects by combining independent component analysis and particle swarm optimization methods.
_||_
