تشخیص عیب بلبرینگ ماشین‌های صنعتی از طریق صوت‌سنجی با استفاده از شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد فیروزکوه، فیروزکوه، ایران،

2 دانشگاه ازاد اسلامی، واحد فیروزکوه، دانشکده مدیریت و حسابداری، گروه مدیریت صنعتی، فیروزکوه، ایران

3 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، دانشکده مدیریت و اقتصاد، گروه مدیریت صنعتی، تهران، ایران

4 کارشناس ارشد مدیریت، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، دانشکده مدیریت و اقتصاد، گروه مدیریت صنعتی، تهران، ایران

چکیده

هدف اصلی این پژوهش شناسایی عوامل ایجاد ارتعاش و عیوب قابل شناسایی بلبرینگ از طریق صوت‌سنجی به کمک شبکه عصبی چند لایه است. شبکه‌ی عصبی از روش‌های هوشمند محسوب می‌شود و با توجه به خاصیت‌های اصلی آن یعنی قابلیت بالایش برای تخمین توابع غیرخطی و یادگیری تطبیقی، برای عیب‌یابی ارتعاشات مکانیکی ماشین‌آلات یعنی صوت‌سنجی بلبرینگ و تحلیل فرکانسی آنها مورد استفاده قرار گرفته است. برای جمع‌آوری داده‌ها، یک نوع بلبرینگ مخروطی ساچمه‌ای سالم و یک بلبرینگ مشابه آن که ساچمه‌هایش معیوب بودند، در دستگاه‌های مته رومیزی و مته رادیال پایه‌دار، در 5 دور مختلف مورد استفاده و بررسی قرار گرفته است. در این پژوهش، با توجه به شبکه‌ای دارای 10 لایه پنهان، فرکانس سیگنال به عنوان ورودی شبکه عصبی چند لایه در نظر گرفته شده و در نهایت عیوب بلبرینگ و علت احتمالی آن تعیین گردیده و اقدامات اصلاحی پیشنهاد شده است.

کلیدواژه‌ها


[1] Nasr azadani,M. (2006), Rouling bearing publication refinery, Isfahan, Iran (In Persian).

[2] Noori kamary, M. (2011), Rotating machines trouble shooting by Fuzzy-Neural Network, master thesis, university of Rajaee,Department of Mechanical Engineering, Tehran,Iran (In Persian).

[3] Menhaj, M. B. (2000), Fundamentals of neural networks,p534-529,1388 (In Persian).

[4] Khodabakhshian karegar, R. (2008) .Engineering preventive maintenance and condition monitoring in machine building.  5th International conference on maintenance,pp.44-57.

[5] Chacon, Juan Luis Ferrando, Vassilios Kappatos, Wamadeva Balachandran, Tat-Hean Gan. “A novel approach for incipient defect detection in rolling bearings using acoustic emission technique” Applied Acoustics, vol. 89, 2015, pp. 88-100.

[6] yang Dou, Jianguo Yang, Jiongtian Liu, Yingkai Zhao,A rule-based intelligent method for fault diagnosis of rotating machinery,Knowledge-Based Systems, Volume 36, December 2012, Pages 1-8

[7] Yoshioka T. , T. Fujiwara. “New acoustic emission source locating system for the study of rolling contact fatigue", 1984, pp. 183-186.

[8] Wheitner, J. , D. Houser, C. Blazakis. “Gear tooth bending fatigue crack detection by Acoustic Emissions and tooth compliance. ”A SME technical paper 93 FTM9, 1993, pp. 1-7.

[9] Parsian,amir, Martin Magnevall, Tomas Beno, Mahdi Eynian, 2017, Sound Analysis in Drilling, Frequency and Time Domains, Procedia CIRP, Volume 58, 2017, Pages 411-415

[10] Peng Z. K. , Chu F. L. , Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography, Mechanical systems and signal processing, 2004, vol. 18, pp. 199-221.

[11] Moavenian, M. (2007). Troubleshooting vehicle active suspension system with regard to non-linear behavior Hydraulic actuator and controller. noticeably impaired.  Second Technical Conference of machinery condition monitoring and fault detection. Pp,417-428.

[12] Mosavian, A. (2012). Fault diagnosis in engine spark plug by vibration analysis using neural network. The journal of engine research. Vol.28,pp.21-29.

[13] Brendan Smith, Qing Zhao (2015) Modal Structure Imbalance Fault Detection For Rotating Machines,IFAC-Papers On Line, Volume 48, Issue 21, Pages 1420-1425

[14] Shafabakhsh, GH.(2011). Choose the optimal neural network algorithm for analysis of rigid pavement roads, Journal of Transportation Engineering, Vol. 3(1).pp,43-54.

[15] Siano, M.A. Panza,2017,Sound quality analysis of the powertrain booming noise in a Diesel passenger car,Energy Procedia, Volume 126, September 2017, Pages 971-978

[16] Omar D. Mohammed, Matti Rantatalo, 2016, Dynamic response and time-frequency analysis for gear tooth crack detection,Mechanical Systems and Signal Processing, Volumes 66–67, January 2016, Pages 612-624

 [17] Shafabakhsh, GH.(2011). Choose the optimal neural network algorithm for analysis of rigid pavement roads, Journal of Transportation Engineering, Vol. 3(1).pp,43-54.

[18] Sadeghi, H. (2007). Troubleshooting intelligent transmission using neural networks and discrete wavelet transform. The journal of engine research Tabriz.pp,1-10.