ترکیب تحلیل تصویر اوربیت و تحلیل فرکانسی برای عیب‌یابی ماشین‌ آلات دوار

کد مقاله : 1093-ITME

نویسندگان

کیمیا یاری یگانه * دانشجو

چکیده مقاله

ماشین‌های دوار نقش حیاتی در بسیاری از کاربردهای صنعتی ایفا می‌کنند، جایی که خرابی‌های ناگهانی می‌تواند منجر به توقف‌های عملیاتی و خسارت‌های مالی قابل توجهی شود. روش‌های سنتی عیب‌یابی که مبتنی بر تفسیر دستی سیگنال‌های ارتعاش یا اوربیت هستند، زمان‌بر بوده و به شدت وابسته به دانش و تجربه کارشناسان می‌باشند. این مقاله یک روش خودکار برای عیب‌یابی ارائه می‌دهد که ترکیبی از تحلیل تصویری اوربیت و یادگیری عمیق است. در این پژوهش، اوربیت‌های مصنوعی شبیه‌سازی شده که نشان‌دهنده‌ی شرایط مختلف عیب شامل نابالانسی، ناهمراستایی، لقی و خرابی بلبرینگ می‌باشند. علاوه بر داده‌های تصویری اوربیت، ویژگی‌های حوزه فرکانس که از تبدیل فوریه سریع استخراج شده‌اند، برای بهبود عملکرد دسته‌بندی استفاده شده است. یک شبکه عصبی پیچشی برای استخراج ویژگی‌های شکل اوربیت و یک شبکه پرسپترون چندلایه برای پردازش ویژگی‌های عددی طراحی شده است. مدل ترکیبی بر روی مجموعه داده‌ای متعادل آموزش داده شده و صحت بالایی در تمامی دسته‌بندی‌های عیب به دست آورده است. نتایج نشان می‌دهد که ترکیب داده‌های تصویری و ویژگی‌های فرکانسی به طور قابل توجهی توانایی تفکیک عیب‌ها را بهبود می‌بخشد. اعتبارسنجی با استفاده از مجموعه تست‌های مستقل انجام شده و توانایی تعمیم بالای روش پیشنهادی را تأیید می‌کند. این روش ابزاری قابل اعتماد و کارآمد برای پایش سلامت و عیب‌یابی بلادرنگ ماشین‌های دوار فراهم می‌کند.

کلیدواژه ها

ماشین‌های دوار، عیب‌یابی ارتعاشی،اوربیت شفت،یادگیری عمیق،تحلیل فرکانسی ،شبکه عصبی پیچشی

وضعیت: پذیرفته شده