عنوان

يادگيري انتقالي مبنتي بر فيلتربانك ويولت تطبيقي براي تشيخص عيوب تركيبي در ماشين-هاي دوار

Number

پ۲۹۲۱۰

.Language of Text, Soundtrack etc

per

Title Proper

يادگيري انتقالي مبنتي بر فيلتربانك ويولت تطبيقي براي تشيخص عيوب تركيبي در ماشين-هاي دوار

First Statement of Responsibility

يوسف بهرامي مسيبي

Name of Publisher, Distributor, etc.

مهندسي مکانیک

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۹۲ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

طراحي كاربري

Date of degree

۱۴۰۲/۰۶/۱۴

Text of Note

ماشین‌های دوار از پرکاربردترین تجهیزات مورد استفاده در صنایع مختلف همچون صنایع نفت و گاز، معادن، راه آهن، خودروسازی و غیره می‌باشند. با توجه به شرایط کاری، در هر لحضه احتمال خرابی در ماشین آلات دوار، وجود دارد. در همین راستا عیب یابی ماشین‌های دوار، مورد توجه محققان و صنایع بوده است. از طرفی بیشتر تحقیقات انجام شده برای عیب یابی ماشین‌های دوار، بر روی تشیخص تنها یک عیب تمرکز کرده‌اند. در حالی که یک ماشین دوار، یک سیستم پیچیده از قطعات مختلف می‌باشد که احتمال وقوع عیب در بخش‌های مختلف آن وجود دارد. همچنین ترکیب عیوب با شدت‌های متفاوت، باعث می‌شد که عیب با شدت کمتر تحت تاثیر عیب شدیدتر قرار بگیرد و شناسایی آن با چالش مواجه شود. از طرف دیگر اکثر تحقیقات انجام شده در زمینه عیب یابی ترکیبی نیز بر تشخیص چند عیب ضربه‌ای همزمان توجه کرده‌اند. این درحالی است که احتمال ترکیب عیوب ضربه‌ای با غیر ضربه‌ای نیز وجود دارد. در راستای حل چالش‌های فوق، در کار حاضر یک روش جدید برای عیب یابی ترکیبی ماشین‌های دوار معرفی شده است. روش معرفی شده شامل دو بخش اصلی است، ابزار پردازش سیگنال و ابزار هوش مصنوعی. خلاصه ابزار پردازش سیگنالی به این صورت است که ابتدا سیگنال‌های ارتعاشی اخذ شده از ماشین دوار وارد یک فیلتربانک تطبیقی می‌شوند. این فیلتربانک تطبیقی با نام کامل تبدیل بسته‌های ویولت تحلیلی تطبیقی در تحقیق حاضر طراحی شده است. سیگنال‌های ارتعاشی توسط این فیلتربانک به مودهای مختلف تجزیه می‌شوند. سپس از میان مودهای تجزیه شده، مودهای حساس به عیب بر اساس شاخص‌های مناسب انتخاب می‌شوند. سپس با بررسی طیف پوش هیلبرت مودهای تجزیه شده در مورد نوع عیب تصمیم گیری می‌شود. برای ارزیابی این روش از سیگنال‌ شبیه سازی عیوب ترکیبی، مجموعه داده خستگی بلبرینگ ناسا، مجموعه داده بلبرینگ دانشگاه کیس وسترن رزرو و مجموعه داده پمپ گریز از مرکز استفاده شده است. کارایی ابزار پردازش سیگنال پیشنهادی با داده‌های ذکر شده در تشخیص عیوب مختلف ماشین دوار، عیوب کم شدت و عیوب غیر ضربه‌ای و عیوب ترکیبی ضربه‌ای و غیر ضربه‌ای در مقایسه با چند روش عیب یابی دیگر نشان داده شده است.

Text of Note

Rotating machines are one of the most widely used equipment in various industries such as oil and gas industries, mines, railways, automobile manufacturing, etc. Rotating machines may experience a fault at any time, depending on the working conditions. In this regard, researchers and industries have concentrated on rotating machine fault diagnosis. On the one hand, most of the research in rotating machine fault diagnosis has concentrated on identifying a single fault. While a rotating machine is a complex system of different parts, there is a possibility of defects in its different parts. Additionally, the combination of faults with different severities caused the less severe defect to be affected by the more severe defect, which made its diagnosis difficult to make. On the other hand, most of the researches in the field of compound fault diagnosis has also focused on the detection of multiple impulsive faults at the same time. While there is a possibility of combining impulsive and non-impulsive faults. To solve the above-mentioned drawbacks, in the present work, a new method for compound fault diagnosis of rotating machines has been introduced. The introduced method consists of two main parts, a signal processing tool and an artificial intelligence tool. In the signal processing tool, first, the vibration signals obtained from the rotating machine are fed into an adaptive filterbank. This adaptive filterbank with the full name of adaptive analytic wavelet packet transform is designed in the present research. Vibration signals are decomposed into different modes by this filterbank. After that, the fault-sensitive modes are chosen from the decomposed modes using the appropriate indices. The type of fault is then decided by looking at the hilbert envelope spectrum of the selected modes. The simulation signal of compound fault, NASA bearing fatigue dataset, Case Western Reserve University bearing dataset, and centrifugal pump dataset were used to evaluate signal processing tool. The effectiveness of the suggested signal processing tool with the mentioned data in the diagnosis of various faults of the rotating machine, low-intensity faults, non-impulsive faults, and compound impulsive and non-impulsive faults has been demonstrated in comparison with some other fault diagnosis techniques. For classifying rotating machines with various fault signals and the difficulty of the signal processing tool in the diagnosis of non-impulsive faults combined with impulsive faults in low-speed centrifugal pumps, an artificial intelligence tool has been proposed. This tool is a deep neural network, consisting of multiple convolutional and fully connected layers, first trained on single fault data of high-speed pump. Then, due to the small amount of data (compared to deep learning networks) and hardware limitations, transfer learning has been used to train the neural network. The transfer learning-based neural network training on pump data with compound faults as well as pump data with lower speeds has been done only on fully connected layers. Finally, it has been shown that the proposed method has a high accuracy in detecting and classifying the compound faults of rotating machines. Also, in addition to the transfer learning-based neural network, a physics-based neural network has been introduced to classify bearing faults with different fault diameters. In this neural network, the physical characteristics of bearing faults are directly entered into the neural network structure and the efficiency of deep neural networks has been improved. This neural network, like the neural network based on transfer learning, has a high accuracy in classifying the signals of a rotating machine with different faults.

Variant Title

Adaptive Wavelet filterbank Based Transfer Learning for combined fault diagnosis in rotating machinery

Entry Element

‏بهرامي مسيبي،

Part of Name Other than Entry Element

يوسف ‏

Relator Code

تهیه کننده

Entry Element

حسن نژاد،

Entry Element

اتفاق،

Part of Name Other than Entry Element

رضا‏

Part of Name Other than Entry Element

مير محمد‏

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏تبریز