رويكرد يادگيري انتقالي براي تشخيص خرابي بيرينگ در شرايط عملياتي متغير

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

چكيده تشخيص خرابي در ماشين‌آلات دوار يكي از موضوعات كليدي در بهبود قابليت اطمينان، كاهش هزينه‌هاي عملياتي و تضمين ايمني در صنايع مدرن به شمار مي‌رود. اين پژوهش به تشخيص خرابي بيرينگ‌ها، به‌عنوان يكي از مهم‌ترين اجزاي ماشين‌آلات صنعتي، پرداخته است. در بخش اول اين پژوهش، تغييرات در سيگنال‌هاي ارتعاشي از نظر فركانس و دامنه، براي شناسايي الگوي خرابي مربوط به ساچمه، حلقه داخلي و حلقه خارجي در 3 اندازه‌ مختلف براي سرعت‌هاي دوراني مختلف بيرينگ بررسي شد. از شبكه عصبي پيچشي به‌عنوان مدلي مؤثر براي طبقه‌بندي و تحليل داده‌هاي خرابي استفاده شد. به منظور كاهش چالش‌هاي مرتبط با پيچيدگي و هزينه محاسباتي مرتبط با حجم بالاي داده‌ها، كاهش تعداد داده‌هاي ورودي به‌وسيله‌ي كاهش نرخ نمونه‌برداري و زمان سيگنال به‌كار گرفته شد. سيگنال‌هاي ارتعاشي با استفاده از تكنيك تبديل فوريه زمان كوتاه به تصاوير طيف‌نگاري تبديل شدند تا به‌عنوان ورودي مدل مورد استفاده قرار گيرند. سپس تأثير پارامترهاي مختلف از جمله اندازه خرابي و سرعت چرخش بر الگوي سيگنال و عملكرد مدل بررسي شد. هم‌چنين ارزيابي پايداري و كارايي مدل بر حسب دقت، ماتريس درهم‌ريختگي و ميزان حساسيت به دسته‌بندي‌هاي تصادفي مختلف براي داده‌هاي آموزش و اعتبارسنجي انجام شد. مطابق نتايج مدل شبكه عصبي پيچشي با وجود دقت بالا در حالت كلي، در برخي از دسته‌بندي‌ها رفتار ناپايدار و دقت پايين دارد. هم‌چنين آناليز آنتروپي تصاوير طيف‌نگار نشان داد كه اندازه‌هاي مختلف خرابي‌ و سرعت‌هاي دوراني متفاوت، الگوهاي متمايزي در طيف سيگنال ايجاد مي‌كنند كه تنها با نرمالسازي بر مبناي اندازه عيب يا سرعت دوراني اين تفاوت‌ها از بين نمي‌رود. حداكثر دامنه در طيف سيگنال به صورت خطي با اندازه خرابي تغيير نمي‌كند و حتي از الگوي غيرخطي مشخصي پيروي نمي‌كند. خرابي‌هاي كوچك‌تر معمولاً الگوهاي ساده‌تر و متراكم‌تري در تصاوير طيف‌نگار توليد مي‌كنند، درحالي‌كه خرابي‌هاي بزرگ‌تر باعث پراكندگي بيشتر و افزايش پيچيدگي ديناميكي سيستم مي‌شوند. به همين دليل در بخش دوم اين پژوهش، به بررسي تأثير استفاده از روش يادگيري انتقالي به منظور استفاده تركيبي از الگوهاي عيب در داده‌هايي با اندازه عيب و سرعت دوراني مختلف پرداخته شد. اين روش با به‌كارگيري وزن‌هاي از پيش آموزش‌داده‌شده و تنظيم دقيق آن‌ها، نه‌تنها دقت مدل را در شرايط جديد عملكردي به بالاي 99درصد افزايش داد، بلكه بدون افزايش پيچيدگي مدل باعث بهبود پايداري و هزينه محاسباتي مدل نيز شد. در انتها داده‌هاي آموزشي مدل تنظيم دقيق به نصف، يك‌سوم، يك‌چهارم، و يك‌پنجم تعداد اوليه كاهش داده شد. اين كاهش شرايط محدوديت داده را به‌ويژه در محيط‌هاي صنعتي، كه جمع‌آوري داده‌هاي متنوع و باكيفيت دشوار است، شبيه‌سازي مي‌كند. در نسبت‌هاي نصف و يك‌سوم داده‌ها، مدل همچنان توانسته ميانگين دقت بالاي 97 درصد را حفظ كند. هر چند كاهش داده‌ها مي‌تواند به افزايش سرعت پردازش نيز كمك كند، اما اين مزيت بايد در تعادل با كاهش دقت مدل بررسي شود. يافته‌هاي اين پژوهش نشان مي‌دهند كه مدل يادگيري انتقالي گزينه‌اي مناسب براي پياده‌سازي در سيستم‌هاي بلادرنگ تشخيص خرابي در محيط‌هاي صنعتي است كه در آنها نياز به پردازش و پاسخگويي سريع وجود دارد.

234586

طراحي كاربردي

فني مهندسي گلپايگان

دانشگاه صنعتي اصفهان