عنوان

شناسایی عیوب ترکیبی ماشین‌های دوار بر پایه حسگری فشرده و شبکه‌های عصبی عمیق

پ۲۴۵۰۹

per

شناسایی عیوب ترکیبی ماشین‌های دوار بر پایه حسگری فشرده و شبکه‌های عصبی عمیق

فرهاد عطار علی آبادی

مهندسی مکانیک

۱۳۹۹

۹۸ص.

سی دی

کارشناسی ارشد

مهندسی مکانیک گرایش طراحی کاربردی

۱۳۹۹/۰۶/۲۴

یافتن روش هاي بهبود ایمنی و کاهش تعمیرات ماشین آلات دوار، از دیرباز مورد توجه صنایع بوده و از آنالیز ارتعاشات این ماشین ها به عنوان تکنیک اصلی پایش وضعیت و عیب یابی آنها استفاده شده‌است. روشهای ارائه شده توسط محققان‌، بیشتر جهت تشخیص و شناسائی یک نوع عیب در ماشین آلات دوار می باشد نظیر شناسائی عیوب چرخدنده در گیربکس ها، پدیده کاویتاسیون در پمپ ها، یا عدم هم محوری در کمپرسورها. اما باید توجه کرد که به دلیل ساختار پیچیده ماشین آلات دوار و ارتباط منسجم اجزای مختلف آنها با یکدیگر، ممکن است خرابی های همزمان و ترکیبی در بخش های مختلف این ماشین¬ها رخ دهد. به عنوان مثال ممکن است در مورد پمپ عیوبی نظیر خرابی یاتاقان ها، کاویتاسیون و یا ناهمراستایی محوری به صورت همزمان اتفاق بیفتد. در این مورد تشخیص اینکه عیب ناشی از کدام عضو مجموعه است یا خرابی به صورت همزمان و ترکیبی در ماشین رخ داده، موضوع مهمی می¬باشد. از طرفی استخراج اطلاعات دقیق و کارآمد مربوط به خرابی از سیگنال‌ها و علی‌الخصوص در حوزه زمان‌فرکانس، بحث چالش برانگیز دیگری می‌باشد در همین راستا در دو دهه اخیر روشی به اسم حسگری فشرده معرفی شده‌است که یکی از کاربردهای مهم آن تنک سازی می‌باشد که علاوه بر قابلیب استخراج ویژگی‌های مهم، در زمینه‌ی نویززدایی نیز به صورت موثر عمل می‌کند. در این تحقیق به منظور کاهش نویز داده‌ها و همچنین استخراج ویژگی‌های مربوط به خرابی از تکنیکی به اسم تعقیب پایه‌های نویززدا استفاده شده‌است در همین راستا از یک دیکشنری زمان‌فرکانسی با ویولت مادر بهینه جهت پیدا کردن یک نمایش تنک از سیگنال های ارتعاشی بلبرینگ، پمپ و گیربکس خودرو استفاده شده‌است، بطوریکه توزیع زمان‌فرکانسی سیگنال دارای قابلیت تفکیک پذیری فرکانسی و زمانی بالائی می‌باشد. پس از آن تصاویر حاصل به شبکه عصبی کانولوشنی عمیق داده‌ شده‌اند و دقت این روش با دیگر روش‌های موجود در ادبیات مقایسه شده‌است و سپس تنها بر پایه داده¬های آموزشی مربوط به حالت سالم و یا داده های آموزشی مربوط به خرابی های تنها، شبکه کانولوشنی عمیق آموزش دیده‌است. شایان ذکر است در این مرحله هیچ داده ای از خرابی ترکیبی برای آموزش شبکه عصبی عمیق استفاده نشده‌است، اما روش هوشمند پیشنهادی قابلیت تشخیص عیوب ترکیبی را دارا می‌باشد.

Finding methods to improve safety and reduce repair cost, has long been the focus of the industry, and vibration analysis of these machines has been used as the main technique for condition monitoring and diagnosis of them. Represented methods by researchers are mostly for diagnosis and identification of a single fault in rotary machinery; like detecting gear fault in gearboxes, cavitation in pumps, or misalignment in compressors. But it should be noted that, due to the complex structure of rotary machinery and the coherent correlation of their different components, there is the possibility of having simultaneous and combined faults in various parts of these machines. For example, it’s possible to have bearings fault, cavitation, or misalignment in a pump simultaneously. In this case, detecting the faulty member of the machine or whether the simultaneous and combined fault has occurred or not, is important. On the other hand, extraction of precise and efficient data related to faults from signals especially in the time-frequency domain is another challenging discussion. In this regard, a method named compressed sensing has been introduced in the last two decades. Which one of its main applications, is sparsifying the signals. In addition to its ability to extract important features, it has worked efficiently in the field of denoising.In this research for reducing the noise of the data and extraction of the fault features, a technique named basis pursuit denoising has been used. In this regard, a time-frequency dictionary with an optimum mother wavelet has been used for getting a sparse representation of the vibrational signals of the bearing, pump, and gearbox. So that, the time-frequency representation of the signals has a higher resolution. Then, the resulted images have been imported to a deep convolutional network and the accuracy of this method has been compared with other methods in the literature. After that, the deep convolutional network has been trained by only single faults and healthy data. It worth mentioning that, at this stage combined fault data has not been used for training the network, but the proposed intelligent method has the ability to detect combined faults

Combined fault diagnosis of rotary machinery based on compressed sensing and deep neural networks

عطار علی آبادی

‏ ‏فرهاد

تهيه کننده

حسن‌نژاد قدیم

‏احقاقی بناب

‏ رضا

‏ میر بیوک

استاد راهنما

استاد مشاور

‏ تبریز