Vaghei Y, Farshidianfar A. Fault Diagnosis and Classification of Deep Groove Ball Bearings using Wavelet Transform and Adaptive Neuro-Fuzzy System. Modares Mechanical Engineering 2016; 15 (11) :233-241
URL:
http://mme.modares.ac.ir/article-15-6454-fa.html
۱- دانشجوی دکتری/ دانشگاه فردوسی مشهد
۲- عضو هیات علمی/دانشگاه مشهد
چکیده: (۵۴۲۵ مشاهده)
امروزه، تشخیص دقیق و سریع عیب، یکی از مسائل اساسی در صنعت میباشد. بههمین دلیل، تاکنون، الگوریتمهای پیشرفتهی بسیاری بدین منظور بهکار گرفته شدهاند که اکثرا دارای پیچیدگی بسیاری بوده و یا نتایج مطلوبی را درپی نداشتند. پژوهش حاضر، روشی نوین جهت تشخیص عیب یاتاقانهای موتورهای الکتریکی صنعتی و دستهبندی آنها براساس قطر عیب و محل آن ارائه مینماید. در بخش ابتدایی، سیگنال ارتعاشی مرتبط با عیوب مختلف بهصورت آزمایشگاهی برای دو یاتاقان ساچمهای شیار عمیق استاندارد متصل به سمت شفت گردنده و سمت محرک در حالتهای معیوب و سالم استفاده شده و سپس، در بخش دوم، بهدلیل وجود نویز بالا در سیستم، از تبدیل موجک سادهی تکبعدی میر جهت تحلیل سیگنال در حوزهی فرکانس و زمان استفاده شده و در نتیجه ضرایب حاصل از تبدیل موجک منحصر به هر سیگنال استخراج گردیده است. در قدم بعدی، این ضرایب به بخش سوم، که یک سیستم عصبی-فازی تطبیقی است، جهت دستهبندی نوع عیب، داده شده و تفکیکپذیری بر اساس میزان عیب موجود در شیار و یا ساچمه انجام گرفته است. در این بخش، قابلیتهای اصلی سیستم فازی و شبکهی عصبی، یعنی مقابله با عدم قطعیت و انعطافپذیری، بهمنظور افزایش میزان دقت و مقابله با نویز در امر عیبیابی ترکیب شده است. بخش چهارم این پژوهش نیز به بررسی عملکرد سیستم با تحلیل سیگنالهای جدید آزمایشگاهی و درنهایت مقایسهی این نتایج با کارهای پیشین اختصاص یافته است. نتایج حاصل، حاکی از دقت بالا و قابلیت تفکیک و دستهبندی بهتر روش ارائه شده میباشد.
نوع مقاله:
مقاله پژوهشی کامل |
موضوع مقاله:
آزمون غیرمخرب دریافت: 1394/4/15 | پذیرش: 1394/6/18 | انتشار: 1394/8/6