جستجوی مقالات مرتبط با کلیدواژه « عیب یابی » در نشریات گروه « مکانیک »
تکرار جستجوی کلیدواژه «عیب یابی» در نشریات گروه «فنی و مهندسی»-
امروزه نظارت بر وضعیت ماشین آلات و تشخیص هوشمند عیوب برای تولیدات صنعتی نقش بسیار پراهمیتی را داراست. روش های هوش مصنوعی برای پایش در مقیاس های بزرگ (کلان داده [i]) بدون هیچ گونه فرض آماری در مورد داده ها می توانند به درستی عمل کنند. در این پژوهش مقایسه دو روش شبکه عصبی مصنوعی عمیق و شبکه عصبی پیچشی [ii] در طبقه بندی عیوب جعبه دنده انجام شده است. در روش شبکه عصبی مصنوعی عمیق ویژگی ها از سیگنال زمانی شتاب استخراج شده و در روش دیگر از خود سیگنال به عنوان ورودی استفاده شده است. به طور خلاصه از این روش ها برای طبقه بندی 9 حالت معیوب و یک حالت سالم در 6 ترکیب سرعت و بار متفاوت استفاده و با یکدیگر مقایسه شده است و سپس به بیان اثر چالش هایی از قبیل طول پنجره، ضریب یادگیری و تعیین تعداد ویژگی ها و چگونگی برطرف کردن آنها پرداخته شده است. در انتها با قیاس نتایج به دست آمده از هر دو روش این نتیجه حاصل شد که قدرت تشخیص شبکه عصبی پیچشی در این مورد بهتر از روش دیگر است.
کلید واژگان: شبکه عصبی پیچشی, یادگیری عمیق, ارتعاش, جعبه دنده, عیب یابی}Condition monitoring and fault diagnosis of large industrial equipment has become very important role nowadays. Powerful artificial intelligent methods can be appropriately used on big data without any further statistical assumption. In this research, two compromising methods including deep neural network and convolutional neural network have been used to classify faults of a laboratory gearbox. Both networks have been used to classify nine faulty classes and one healthy class of the gearbox using vibration signal. The data have been collected at six different load and speed combinations. The measured time domain vibration signal was used as neural network input. The classification accuracy of both methods have been obtained. The effect of challenging parameters such as window size, learning rate and number of extracted features on the classification accuracy have been studied. Finally after the comparison of the results, it was concluded that the accuracy of the convolutional neural network was superior.
Keywords: Convolotional neural network, Deep Learning, Vibration, Gearbox, Fault diagnosis} -
عیوب خرابی بیرینگ و عدم هم محوری دو عیب بسیار متداول در الکتروموتورها محسوب میشود. در این مقاله، هدف تشخیص عیوب هم زمان بلبرینگ موتورالقایی و عدم هم محوری موتور با تجهیز است. برای این منظور سیستمی متشکل از الکتروموتور و شفت کوپل شده به آن طراحی شده و تحت شرایط متفاوت بارگذاری و در سرعت های مختلف مورد آزمایش قرار گرفته است. عیوب مذکور با استفاده از روش های مرسوم آنالیز سیگنال ارتعاشی و روش جدید بای اسپکتروم مورد تجزیه و تحلیل قرار گرفته اند و پارامترهای مناسب جهت تشخیص عیوب از هر یک از روش های آنالیز محاسبه شدند. در ادامه با استخراج ویژگی های برتر با الگوریتم آنالیز مولفه های اساسی، برای تشخیص عیوب و تصمیم گیری از الگوریتم کلاس بندی KNN استفاده شده است. نتایج بدست آمده حاکی از آن است که استفاده از روش جدید بای اسپکتروم به همراه روش های مرسوم آنالیز سیگنال قابلیت تشخیص عیوب بلبرینگ و عدم هم محوری موتورهای القایی چه بصورت تکی و چه بصورت هم زمان را تنها با اندازه گیری سیگنال ارتعاشی با دقت قابل قبولی فراهم می آورد.
کلید واژگان: عیب یابی, موتورهای القایی, آنالیز ارتعاشات, عیب بلبرینگ, عدم هم محوری, بای اسپکتروم}The monitoring system for induction motors (IMs) plays an important role in the majority of industrial plants. Bearing faults and shaft misalignment are common mechanical defects in induction motors. The aim of this paper is to detect simultaneously two common faults in induction motor including bearing defect and shaft misalignment. For this purpose, a test setup consisting of an induction motor coupled to a rotor shaft is designed and tested under different loading conditions and at different speeds. The diagnosis parameters of vibration signal are calculated by conventional signal processing methods as well as bispectrum analysis. Feature extraction and KNN classification techniques are applied to the calculated parameters to provide condition monitoring of the induction motor. The results show that the application of bispectrum analysis along with the conventional signal processing methods improves detecting bearing fault in induction motor and shaft misalignment in the case of single fault as well as multiple simultaneous faults.
Keywords: Fault diagnosis, Induction motors, Vibration Analysis, bearing defects, misalignment, bispectrum} -
عیب یابی چرخ دنده ها به کمک روش های هوشمند یکی از موضوعات رایج در تحقیقات اخیر می باشد. در این مقاله، روش ترکیبی جدیدی بر پایه ی تبدیل موجک گسسته، استخراج ویژگی در حوزه زمان و ماشین بردار پشتیبان چند کلاسه (Multi-SVM) ارایه شده است. سیگنال های ارتعاشی در سه حالت سالم، لب پریدگی و ساییدگی دندانه جمع آوری شده اند. این سیگنال ها به کمک روش تبدیل موجک گسسته با توابع موجک مختلف تجزیه شده و مناسب-ترین سطح تجزیه به کمک مفهوم همبستگی متقابل انتخاب شده اند. با به کارگیری توابع آماری مختلف در حوزه ی زمان، بردار ویژگی متناظر با هر نمونه سیگنال استخراج شده است. برای تعیین وضعیت جعبه دنده از روش SVM از نوع «یک در برابر یک» استفاده شده است. شناسایی وضعیت یک جعبه دنده وابسته به نوع ویژگی های استخراج شده و چگونگی تنظیم پارامترهای SVM می باشد. از این رو، در این مطالعه برای شناسایی حساس ترین ویژگی ها به حضور عیب و نوع آن و تعیین پارامترهای بهینه روش SVM از الگوریتم بهینه سازی ازدحام ذرات استفاده شده است. نتایج نشان می دهند که با بهبود ماتریس ویژگی و روش طبقه بندی SVM، دقت شناسایی شرایط جعبه دنده به طور قابل ملاحظه ای افزایش می یابد.کلید واژگان: عیب یابی, تبدیل موجک, استخراج ویژگی, ماشین بردار پشتیبان چند کلاسه, الگوریتم بهینه سازی ازدحام ذرات}Intelligent fault detection diagnosis methods are one of the common topics in recently investigations. In this paper, a new hybrid technique is presented based on discrete wavelet transform (DWT) and multi – class support vector machine (Multi-SVM). The considered vibrational signals are collected in three conditions: normal, chipped tooth and worn teeth. These signals are decomposed using DWT methods with different wavelet base functions and the most appropriate level of decomposition are selected by the cross - correlation concept. The feature vector for each sample is extracted using different time domain statistical functions. «One – against - one» support vector machine (SVM-OAO) is utilized for detecting the gearbox conditions. The condition recognition of a gearbox is depended on the extracted features type and setting the SVM parameters. Therefore, in this study, particle swarm optimization (PSO) is used for identifying the most sensitive features to the defect and its type and determining the optimal parameters of SVM method. The obtained results show that the identification accuracy of the gearbox conditions is significantly increased with improving the feature matrix and the SVM classifier method.Keywords: Fault Detection, wavelet transform, feature extraction, Multi Class Support Vector Machine, Particle swarm optimization algorithm}
-
استفاده از امواج هدایت شده ورقی، یکی از قابل اطمینان ترین روش های پایش سلامت است. اغلب به منظور شناسایی عیوب داخلی از امواج حجمی استفاده می گردد که در تشخیص موقعیت ترک های سطحی ناکارآمد است. در این مقاله، فرآیند استفاده از روش توموگرافی امواج ورقی جهت تشخیص ترک در یک ورق آلومینیومی بررسی گردیده و برای سه ترک با طول های 4، 7 و 10 میلی متر پیاده سازی شده است. روابط تحلیلی و شبیه سازی های عددی جهت استخراج منحنی دیسپرژن به عنوان ابزاری جهت انتخاب ضخامت ورق و مشخصات پیزوالکتریک، مورد استفاده قرار گرفته است. تعیین چیدمان قرارگیری تراگذرها و ایجاد مدل های عددی و تجربی، گام های بعدی در فرآیند بازرسی است. سپس تمام پیزوالکتریک ها به ترتیب تحریک شده اند و سایز تراگذرها به عنوان حسگر مورد استفاده قرار گرفته اند و سیگنال خروجی آن ها در هر دو حالت سالم و معیوب در مدل های عددی و تجربی ذخیره گردیده است. تعیین معیار اختلاف سیگنال ها، بازسازی سیگنال ها و ایجاد توموگرام، مراحل نهایی فرآیند ارایه شده در این مقاله می باشند.کلید واژگان: توموگرافی, امواج هدایت شده, عیب یابی, موج ورقی}Using surface guided wave is one of the most reliable methods of structural health monitoring. Mostly the bulk wave is preferred for identification of internal defects, which is inefficient in localizing the surface cracks. In this research the procedure of ultrasonic surface wave tomography for crack detection in an aluminum plate is investigated and applied for three cracks with the length of 4, 7 and 10 millimeters. Analytical equations and numerical simulations are used to extract dispersion curves as a means for selection of plate thickness and piezoelectric characteristics. The Layout selection for transducers and providing numerical and experimental models are the next steps of inspection procedure. All the piezoelectric discs are actuated respectively. Meanwhile, other piezoelectric elements are used as sensors and their received signal is stored in both healthy and defected structures for both numerical and experimental models. Definition of signal difference criteria, signal reconstruction and tomogram generation are the last steps of the procedure presented in this paper.Keywords: Tomography, Guided wave, fault detection, surface wave}
-
دسته موتور یکی از اتصالات مهم در جداسازی ارتعاشات در وسایل نقلیه به شمار می رود که سبب می شود اثرات دو منبع مهم ارتعاشات یعنی جاده و موتور با مشخصه های دامنه و فرکانس کاملا متفاوت، به حداقل میزان خود برسد. بسیاری از سازندگان وسایل نقلیه به دلیل تمایل به وسایل حمل و نقل سبک با نویز و ارتعاشات کم، رو به دسته موتور های نوین با روش های کنترل انطباقی ارتعاشات آورده اند. دسته موتورهای الکترو مغناطیسی از جمله این دسته موتورهای فعال هستند که در سالیان اخیر مورد توجه قرار گرفته اند. تشخیص عیب در دسته موتورهای فعال با توجه به قیمت تمام شده آن ها نسبت به انواع غیر فعال بسیار با اهمیت است. با توجه به آن که آنالیز ارتعاشات، از مهم ترین تکنیک های پایش وضعیت و عیب یابی تجهیزات به شمار می رود در این پژوهش با بکارگیری صحیح و اصولی از پاسخ های دینامیکی و نمودار های پاسخ فرکانسی به ویژه نمودارهای بوده، نتایج قابل توجهی در شناسایی خرابی در سیستم دسته موتورهای فعال الکترومغناطیسی، افزایش عمر مفید آن ها و کاهش هزینه های تعمیراتی بوجود خواهد آمد. استفاده از این روش از آنجا که نیازی به شناسایی کامل سیستم وجود ندارد بسیار حائز اهمیت است. برای این منظور، در این پژوهش پس از معرفی ساختار دسته موتور فعال الکترومغناطیسی با قابلیت خنک کاری و مدل سازی دینامیکی سیستم مورد بررسی، به معرفی عیوب مختلف به ویژه عیوب ناشی از فعل و انفعالات حرارتی و خوردگی پرداخته می شود و در نهایت برای نخستین بار به استخراج جداول تفکیکی و ترکیبی عیوب اقدام خواهد شد. بر این اساس شش عیب تفکیکی و سه عیب ترکیبی شناسایی می شوند.کلید واژگان: دسته موتور فعال الکترومغناطیسی, عیب یابی, آنالیز ارتعاشات}Engine mount is one of the most significant joints in vibration isolation in diverse vehicles which reduces the effects of two important sources of vibration (i.e. road and engine) with extremely different features in frequencies and domain. Nowadays, most of vehicles companies are considering to new engine mount with adoption control methods due to their tendency to the light vehicles with minimum noise and vibration. Electro-magnetic engine mounts are among these active mounts which considered in the recent years. Vibration analysis is one of important techniques in fault detection and condition monitoring. Due to this fact, in this study with application of dynamic responses and frequencies responses diagram, significant results in fault detection in electro-magnetic active engine mount system, it's life-time increase, and repairing cost decline, will obtain. In order to achieve these purposes, after introduction of the engine mount structure and system modeling, different faults especially those caused by thermal and corrosion interactions have been introduced. Finally, qualitative and quantitative states of both separate and combined fault diagnosis systems will be presented. According to these tables, six separate faults and three combined ones will identified.Keywords: Electro-magnetic engine mount, Fault detection, Vibration analysis, Frequencies response}
-
در این مقاله، روش جدیدی برای حذف نویز سیگنال های ارتعاشی اکتساب شده از ماشین های دوار بر پایه ی تبدیل موجک تجربی و آستانه گذاری نرم ارائه شده است. تبدیل موجک تجربی روش جدیدی است که هر سیگنال را بر اساس اطلاعات فرکانسی اش به مولفه-های تشکیل دهنده ی آن که مود تجربی نامیده می شوند، تجزیه می کند. پس از تجزیه هر سیگنال، روش آستانه گذاری نرم به هر کدام از مولفه های حاصل از تجزیه اعمال شده و سیگنال بی نویز شده بازسازی می شود. برای ارزیابی روش حذف نویز پیشنهادی در این مطالعه، از این تکنیک برای عیب یابی یاتاقان ها استفاده شده است. برای این منظور، فاکتور کشیدگی و طیف پوش هر سیگنال بی نویز شده به ترتیب برای شناسایی حضور عیب و تشخیص نوع عیب محاسبه شده اند. نتایج نشان می دهند که روش پیشنهادی کیفیت سیگنال های ارتعاشی را به گونه ای افزایش می دهد که فاکتور کشیدگی به دست آمده به حضور عیوب موجود در رینگ های داخلی و خارجی حساس تر می باشد. از طرف دیگر، با مشاهده ی فرکانس های پدیدار شده در طیف پوش سیگنال های بی نویز شده توسط روش تبدیل موجک تجربی می توان نوع عیب را به خوبی تشخیص داد. نتایج نشان می دهند که رویکرد بی نویزسازی به کمک تبدیل موجک تجربی برتر از روش بی نویزسازی تجزیه مود تجربی در فرآیند عیب یابی ماشین های دوار می باشد.کلید واژگان: بی نویزسازی, تبدیل موجک تجربی, تحلیل طیف پوش, عیب یابی}In this paper, a new method is presented for removing the noise from the vibration signals of the rotating machinery based on the empirical wavelet transform (EWT) and the soft thresholding function. The EWT is a new signal processing method that decomposes each signal into its constituent components based on its frequency information. After decomposing each signal, the soft thresholding method is performed to empirical modes and the denoised signal is reconstructed. For evaluating the proposed denoising approach, this technique is used for detecting the bearing fault. For this purpose, the kurtosis factor and the envelope spectrum of each denoised signal are calculated for detecting the presence of fault and diagnosing the fault type, respectively. The results illustrate that the proposed technique increases the quality of the vibration signals so that the obtained kurtosis value is more sensitive to the presence of fault in the inner ring and the outer ring. On the other hand, the type of fault is diagnosed by observing the appeared frequencies in the envelope spectrum of signals denoised with EWT. The results show that the EWT-based denoising approach is superior to the empirical mode decomposition-based denoising method in the rotating machinery fault diagnosis procedure.Keywords: Denoising, Empirical Wavelet Transform, Envelope Spectrum Analysis, Fault detection}
-
این مقاله به شناسایی ترک های عرضی در شافت های دوار می پردازد. در این تحقیق پس از استخراج روابط حاکم، عمق ها و موقعیت های متفاوت برای ترک عرضی در یک محور دوار یک کمپرسور با استفاده از مدل ترک تنفس کننده بررسی شد. مدل ترک تنفس کننده نسبت به سایر مدل ها، انطباق بهتری با رفتار ترک واقعی دارد. ترک براساس اصول مکانیک شکست مدل شده و معادلات حرکت سیستم استخراج شد. برای مدلسازی رفتار واقعی ترک در باز و بسته شدن ، از ضریب شدت تنش استفاده شده است. این مدل می تواند مقدار استحکام محور ترک دار را در هر محدوده سرعت بر حسب زاویه مشخص کند. نتایج نشان می دهند که در نقاطی که ترک کاملا بسته است سختی محور دارای مقدار بیشینه خود می باشد. با افزایش عمق ترک، سختی محور کاهش می یابد. هارمونیک اول در طیف فرکانسی مربوط به اثر نابالانسی می باشد و هارمونیک دوم مربوط به اثر ترک است که با افزایش عمق ترک، دامنه آن افزایش می یابد. از کاهش فرکانس دوم و افزایش دامنه هارمونیک دوم می توان برای شناسایی ترک در محورهای دوار استفاده کرد.کلید واژگان: محور دوار, ترک تنفس کننده, عیب یابی, ارتعاشات}This paper deals with transverse crack identification in rotating shafts. In this research, after presenting the equations governing the problem, different depths and positions of crack in a rotating axis of an industrial compressor unit is investigated using a breathing crack model. Crack is modeled based on the principles of fracture mechanics and the system's motion equations are extracted. Stress intensity coefficients are implemented to model the actual crack behavior in gradual opening and closeing situations. The results showed that in the points where the cracks are closed, the stiffness has its maximum value. Also, with increasing crack depth, the total stiffness of the shaft decreases. The first harmonic in the frequency corresponds to imnbalance and the second harmonic associated with the crack effect. By changing the position of the crack from the ends to the center of the shaft, the frequency of the second harmonic decreases while its amplitude decreases. Inverse analysis can be carried out based on the second frequency along with its amplitude in order to crack identification.Keywords: Rotating Shaft, Breathing Crack, Damage Detection, Vibration}
-
هدف اصلی این مقاله، طراحی یک مدل عیب یاب بر مبنای الگوریتم شبکه عصبی هوشمند به همراه شبیه سازی دینامیکی موتور بر پایه تحلیل های ریاضی برای یک موتور سوخت مایع سیکل باز است. عیب به دو شکل بروز پدیده کاویتاسیون در پمپ ها و وقوع گرفتگی در مسیرهای متفاوت موتور شبیه سازی شده است. در این پژوهش، به کارگیری شبکه عصبی چندلایه "پیشخور" با ورودی هایی که از کمیت های خروجی موتور سوخت مایع معیوب به دست آمده، به عنوان راهکار شناسایی عیوب در سامانه پیشران معرفی می شود. به دلیل حجم بالای داده های مورد نیاز از موتور معیوب برای آموزش شبکه و هزینه بسیار زیاد انجام تست های گرم، به دست آوردن داده های آموزش شبکه از تست های واقعی غیرممکن است. بنابراین شبیه سازی دینامیکی موتور بر پایه معادلات ریاضی حاکم بر سیال درون موتور انجام شده است تا بتوان جایگزینی کم هزینه و پرسرعت برای تولید داده های آموزش شبکه در اختیار گرفت. البته نتایج این مدل شبیه ساز دینامیکی موتور با نتایج تست گرم اعتبارسنجی می شود. در این طرح درصد تغییر فشار خروجی زیرسامانه ها و دور توربین نسبت به حالت کارکرد صحیح موتور، به عنوان بهترین داده های ورودی برای تشخیص عیب در نظر گرفته شده است. ارزیابی شبکه عصبی با داده های تست، دقت بسیار زیاد شبکه را در تشخیص محل عیب و میزان آن مشخص می کند. در نهایت روش عیب یابی مورد نظر، به وسیله داده های آزمایشگاهی یک موتور سوخت مایع اعتبارسنجی شده است.کلید واژگان: عیب یابی, موتور سوخت مایع, گرفتگی, کاویتاسیون, شبکه عصبی}The aim of this paper is to design an Algorithm for damage detection of the open cycle liquid propellant engine which is based on artificial neural networks in combination with stochastic analysis. Damage is simulated as cavitation in pumps (oxidizer or fuel pump) and fouling in some path of engine. The key stone of the method is feed-forward multi-layer neural network with back propagation algorithm. This network uses output signals of unhealthy system to detect place and quantity of damage. It is impossible to obtain appropriate training set for real engine, so stochastic analysis using mathematical model is carried out and dynamic simulation is made to get training set virtually. Result of dynamic simulation of engine is validated with experimental result. In this plan, percentage of variation of output signals of engine such as output pressure of subsystem and revolution of turbine, considered as best input data for neural network. This data is obtained from output parameters of simulated unhealthy engine. Finally, this damage detection approach was carried out using laboratory hot test.Keywords: damage detection, liquid propellant engine, Fouling, Cavitation, Neural network}
-
هدف از این مقاله معرفی یک رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از امواج مکانیکی است. در این مقاله تلاش شده است با استفاده از خصوصیات فرکانس طبیعی و تغییر آن، روشی جهت پیدا کردن عیوب ارایه گردد. با توجه به ارتباط جرم و سفتی در تعیین فرکانس طبیعی، به جای ایجاد عیب (کاهش سفتی) از افزایش جرم استفاده شده است. روش ارایه شده شامل مدل سازی لوله 2 اینچی به طول2 متر در نرم افزار آباکوس و بررسی فرکانسهای طبیعی لوله در حالت سالم و دارای عیب (ایجاد ترک) است . سپس نسبت به تعیین جرم معادل برای مدل سازی عیوب اقدام شده است و در ادامه لوله فوق تحت آنالیز مودال تجربی قرار گرفت و با ایجاد عیوب مصنوعی (افزودن جرم)، حالتهای مختلف آن آزمایش گردید. سپس از اطلاعات به دست آمده درآموزش شبکه عصبی پرسپترون در محیط نرم افزار متلب استفاده شده است و خروجی برنامه مکان عیب و شدت آن (مقدار جرم) می باشد.
کلید واژگان: لوله گاز, آباکوس, فرکانس طبیعی, شبکه های عصبی, عیب یابی}The purpose of this paper is to introduce a new approach for troubleshooting of gas pipelines using mechanical waveforms. In this paper, an attempt has been made to determine the defects by using natural frequency characteristics and changes. Due to the relationship between mass and stiffness in determining the natural frequency, a mass increase has been used instead of the reduction of stiffness. The proposed method involves modeling a 2-inch pipe with a length of 2 m in the Abaqus software and examining the natural frequencies of the pipe in a state of intact and defective (cracking). Then, an equivalent mass value was applied to model the defects. Subsequently, the pipe was subjected to experimental modal analysis and various conditions were tested by creating artificial defects (adding mass). Then, the obtained information was used in the study of the perceptron neural network in MATLAB software, and the program output is the defect location and its severity (mass value).
Keywords: Gas pipe, ABAQUS, Natural frequency, Neural network, Fault Detection} -
یاتاقان های غلتشی یکی از اجزاء پرکاربرد در ماشین های دوارند. روش های گوناگونی در حوزه ی زمان، فرکانس و فرکانسٓ فرکانس برای تشخیص عیب در یاتاقان های غلتشی بیان شده است. در این مقاله، روشی در حوزه ی فرکانسٓ فرکانس با استفاده از مفهوم تناوبیٓ پایا، که منجر به محاسبه ی چگالی همبستگی طیفی می شود، برای تشخیص خرابی یاتاقان به کار گرفته شده است. محاسبه ی تابع چگالی همبستگی طیفی علاوه بر روش مستقیم فرکانسی با استفاده از تبدیل ویگنر ویل نیز بیان شده است. با استفاده از این روش نموداری سه بعدی، دارای دو فرکانس طیفی و دوره یی و دامنه ایجاد می شود. نتایج حاصل از به کارگیری این روش در مثالی عملی بررسی شده است. علی رغم پیچیدگی محاسباتی، این روش نسبت به روش های کلاسیک نظیر آنالیز انولوپ، نیاز به تعیین باند فرکانسی برای فیلتر ندارد. همچنین اطلاعاتی مانند فرکانس دوره یی و فرکانس طیفی، از روی نمودار استخراج می شود.کلید واژگان: یاتاقان غلتشی, عیب یابی, تناوبی, پایا, چگالی همبستگی طیفی}Rolling element bearing are one of the most commonly used components in the rotating machines and early detection of bearing faults can prevent potential catastrophic failures. Various methods in time, frequency and frequency-frequency domains are expressed for the fault diagnoses of rolling element bearings. In this paper, a frequency-frequency domain method by means of cyclostationary concept is used to calculate spectral correlation density (SCD) function. SCD is used to detect bearing fault signature in vibration signal of the machine. In this method, signal is assumed stationary in the cyclic periods. Using this method, three-dimensional diagram of spectral correlation density function is generated on a dual frequency axis for spectral and cyclic frequency. Using this method, the hidden cycles in the presence of noise, which cannot be seen in conventional Fourier transform, become clear. There is a difference between meaning of spectral frequency and cyclic frequency. The spectral frequency shows resonance frequency excited by periodic impacts, but cyclic frequency shows the frequency of impacts itself. SCD can be seen as a tool for generalization of the detection of amplitude-modulated signals. SCD can show both carrier and modulating frequency of the signal. The possibility of application of this method in rolling element bearing fault detection is shown in a practical example, and the results have been presented. The practical example is a bearing with inner ring fault used in a centrifugal pump. The vibration is measured by an accelerometer in high frequency band and then transferred to the computer. Necessary codes are written in the Matlab software. Despite its computational complexity, this method is preferable compared to classical methods such as envelop, since it does not need to determine the frequency band for the filter and it can show more details. The spectral correlation density function proves to be a more accurate method and provides comprehensive information about the signal.Keywords: Rolling element bearing, fault detection, cyclostationary, spectral correlation density}
-
وقوع خرابی در سیستم های سازه ای و مکانیکی در طول سرویس دهی، اجتناب ناپذیر است. پایش سلامت و عیب یابی این سیستم ها به نوبه ی خود می تواند از تلفات جانی و مالی جلوگیری کند. از مهم ترین روش های پایش سلامت و عیب یابی روش های مبتنی بر مشخصات ارتعاشی سازه می باشد، که بدون تمرکز بر نواحی خاص، سازه را مورد پایش کلی قرار می دهد. در این مطالعه جهت عیب یابی سازه های صفحه ای، با بهره گیری از تکنیک کاهش ابعاد داده ها توسط تحلیل اجزای اصلی، توابع پاسخ فرکانسی کاهش بعد داده شده، و شاخص هایی به عنوان شاخص خرابی معرفی گشته است. این شاخص های خرابی و عیب یابی صفحه به صورت یک مسئله بهینه سازی مطرح شده، و پس از آن با استفاده از الگوریتم های اجتماع ذرات و ژنتیک به حل مسئله بهینه سازی پرداخته شده است. با حل مسئله بهینه سازی مکان و شدت های خرابی تشخیص داده می شوند. برای ارزیابی و کارکرد روش ارائه شده و عملکرد الگوریتم های معرفی شده، چندین سناریوی خرابی شامل خرابی در یک ناحیه، خرابی هم زمان در دو ناحیه، و خرابی در سه ناحیه از سازه اعمال شده است، و بر این مبنا در مورد کارایی و کارکرد روش ارائه شده بحث می گردد. بر اساس نتایج حاصله، مشاهده شده که الگوریتم اجتماع ذرات در بحث تعیین شدت خرابی نسبت به الگوریتم ژنتیک از عملکرد و دقت بالایی برخوردار است. در سناریوهای پیچیده تر این افزایش دقت و کارایی بهتر بیشتر نمایان می شود.کلید واژگان: عیب یابی, تحلیل اجزای اصلی, تابع پاسخ فرکانسی, الگوریتم اجتماع ذرات, الگوریتم ژنتیک}Damage occurrence in structural and mechanical systems during utilization is an inevitable phenomenon. Death and financial losses could be prevented by health monitoring systems and damage detection processes in structures. In the mentioned framework, damage detection based on dynamics properties, is one of the most important and efficient methods, without concentration on special zones in structure. In this study frequency response functions were analyzed by principle component analysis, then, in order to complete process, dimension reduction and damage indices extraction were conducted. At the end, plate damage detection was introduced as an optimization problem considering extracted damage indices, and solution of the problem were given by PSO and Genetic algorithms. Output results consist of estimation about location and intensity of applied damage. Several scenarios including single, simultaneously dual and triple stiffness losses were figured out to investigate and evaluate the efficiency of the mentioned algorithms. Finally, outcome result around performance and utility of method had been discussed. It's obviously demonstrated that Particle Swarm Optimization algorithm has more accurate result, especially in estimation of damage location than Genetic algorithm optimization solution, during health monitoring processes. The mentioned conclusion has been gotten more explicit with getting scenario complicated.
-
در کاربردهای صنعتی، پایش وضعیت و عیب یابی بیرینگ ها از اهمیت زیادی برخوردار است. تحلیل ارتعاشی، انتشار صدا، دمانگاری و تحلیل روانکار از جمله روش های تشخیصی جهت شناسایی عیوب بیرینگ ها می باشند. یکی از قابل اطمینان ترین روش ها جهت عیب یابی تجهیزات دوار، مطالعه بر روی سیگنال ارتعاشی می باشد. تاکنون روش های مختلفی جهت عیب یابی بیرینگ های غلتشی توسط سیگنال های ارتعاشی در حوزه زمان ارائه شده است. بیشتر روش های سری زمانی، پیچیده و سیگنال های استخراجی تحت تاثیر نویز می باشند. تحلیل طیف تکین[i] که به عنوان یک تکنیک جدید و کارآمد در زمینه تحلیل سری های زمانی مطرح می باشد به لحاظ اجرا آسان و مصون از نویز می باشد. در این روش سیگنال ارتعاشی اصلی هر یک از عیوب بیرینگ غلتشی به مولفه های اساسی تجزیه می شوند، که پس از انتخاب تعدادی از مولفه ها و بازسازی سیگنال ارتعاشی، مشخصه های آماری در حوزه زمان از سیگنال بازسازی شده استخراج می شوند. این مشخصه ها به عنوان ورودی های شبکه عصبی مصنوعی[ii] جهت تشخیص و طبقه بندی عیوب بیرینگ ها اعمال می گردد. خروجی های شبکه عصبی، عیوب بیرینگ ها هستند که با انتخاب تعداد مناسب نرون های لایه پنهان (لایه میانی)، حداکثر دقت در تشخیص عیوب حاصل می شود. نتایج، پیاده سازی موفق و کارآمد تحلیل طیف تکین در عیب یابی بیرینگ های غلتشی با کمترین خطا را نشان می دهد.کلید واژگان: تحلیل طیف تکین, شبکه عصبی مصنوعی, عیب یابی, بیرینگ غلتشی, سیگنال ارتعاشی}
-
هدف اصلی این مقاله، ارتقاتبدیل هیلبرت-هوانگ با استفاده از مزایای ویژگی های غیرخطی مبتنی بر آنتروپی، جهت حذف اثرات نویز اضافه شونده می باشد. به علاوه استفاده از ویژگی های غیر خطی مناسب، منجر به محدود شدن اطلاعات اضافی و رفع نیاز به روش های مختلف کاهش بعد در شناسایی عیب های یک سیستم دوار شده است. جهت ارتقاءتبدیل هیلبرت – هوآنگ تاثیر نویزهای اضافه شونده بر انواع مختلف ویژگی های مبتنی بر آنتروپی برای هر کدام از توابع مود ذاتی حاصل از الگوریتم تجزیه تجربی مود انباشته، مورد بررسی قرار می گیرد. با توجه به حساسیت آنتروپی تقریبی به نویز، یک شاخص ارزیابی برای انتخاب دامنه نویز اضافه شونده، براساس آنتروپی تقریبی و ضریب اطلاعات متقابل توابع مود ذاتی ارائه گردیده است. سپس با استفاده از مزایای آنتروپی جایگشت و آنتروپی طیف حاشیه ای هیلبرت در توصیف مشخصات سیگنال،آستانه ای برای شروع پیدایش عیب با توجه به مقادیر آنتروپی مهمترین تابع مود ذاتی-که دارای بیشترین ضریب اطلاعات متقابل می باشد-تعیین می گردد. نتایج نشان می دهد که این رویکرد می تواند برای تشخیص انحراف از حالت کارکرد سالم سیستم بدون توجه به نوع عیب، به کارگرفته شود. در مرحله بعد برای شناخت نوع عیب، از طیف درجات بالاتر استفاده شده است به نحوی که بای اسپکتروم پوش به دست آمده از اعمال تبدیل هیلبرت به مهمترین تابع مود ذاتی،محاسبه شده و با درنظرگرفتن کوپلینگ میان فرکانس های مشخصه عیب و فرکانس دور، عیوب ناهم محوری و نابالانسی روتور یک سیستم شبیه ساز ارتعاشات تجهیزات دوارشناسایی گردیده است.کلید واژگان: سیگنال ارتعاشی, عیب یابی, تبدیل هیلبرت - هوانگ, استخراج ویژگی های غیرخطی, آنتروپی, طیف درجات بالاتر}The main objective is to improve Hilbert-Huang transform using the advantages of non-linear entropy-based features in the time and frequency domain to reduce noise effects. In addition, applying appropriate entropy-based features lead to restrict information redundancy and overcome the need for dimension reduction, in the fault detection of a rotating system. To modify the Hilbert-Huang method, the effect of added noise on various types of nonlinear entropy-based features is investigated for each intrinsic mode functions (IMFs) which extracted by ensemble empirical mode decomposition algorithm. Considering the approximate entropy (ApEn) sensitivity to noise, an evaluation index is presented for selecting the proper amplitude of the added noise based on the approximate entropy and mutual information coefficient of the different IMFs. Subsequently, taking into account the high capability of permutation entropy (PeEn) and marginal Hilbert spectrum entropy (MHE) in the signal characteristic, a threshold is determined for fault detection based on their values associated to the main IMF which has the highest value of mutual information coefficient. As a result, the permutation entropy values and marginal Hilbert spectrum entropy of the main IMF can be used for detection of any deviation from normal operation of the rotor bearings system, regardless of the fault type. Consequently, to determine the type of defect, the higher-order spectra have been used.The bi-spectrum of envelope is calculated. This bi-spectrum is employed to identify the coupling between the rotating frequency and fault-characteristic frequencies, for misalignment and unbalanced fault diagnosis of a rotating machinery vibration simulation system
-
ژنراتور الکتریکی خودرو به خصوص در خودروهای واجد شبکه انتقال داده، دارای نقش حیاتی و بسیار مهمی می باشد به طوریکه بروز عیب الکتریکی در ژنراتور، می تواند موجب بروز خسارات سنگینی بر سایر بخش های سیستم های الکتریکی و الکترونیکی خودرو گردد لذا عیب یابی و پایش وضعیت ژنراتور به منظور جلوگیری از بروز عیب در سایر بخش ها از اهمیت خاصی برخوردار می باشد. هدف از این مقاله پایش وضعیت و عیب یابی ژنراتور الکتریکی خودرو با استفاده از سیگنال های ارتعاشی و سیستم استنتاج تطبیقی عصبی-فازی می باشد. ابتدا عیوب عمدی شامل قطع یک فاز، قطع مثبت رگولاتور ولتاژ، سوختن یک دیود و دو دیود مثبت مجموعه یکسو کننده ایجاد شد. سپس سیگنال های ارتعاشی حالت سالم و حالت های معیوب مذکور با استفاده از دو سنسور ارتعاش سنج نصب شده بر روی بدنه ژنراتور و دستگاه تحلیل سیگنال های ارتعاشی به مدت 03 ثانیه در 1033 و 0333 دور بر دقیقه موتور خودرو استخراج گردید. پس از آن، برای تجزیه سیگنال با ویولت بستهای سطح یک، موجک پایه ، دورهای 1333 ای که دارای بیشترین میانگین انرژی به انتروپی شانون می باشد به عنوان مناسبترین موجک پایه انتخاب شد و انرژی باندهای فرکانسی اول و دوم محاسبه و به عنوان بردار ورودی به شبکه انفیس اعمال شد. نتایج به دست آمده در این پژوهش نشان می دهد که مدل انفیس پیشنهادی روش موثر و هوشمندی برای تشخیص و طبقهبندی عیوب ژنراتور الکتریکی خودرو با دقت خوب میباشد. کیفیت آماری مدل انفیس به دلیل داشتن ضریب همبستگی خوب و دقت طبقهبندی بالا مورد پذیرش است.کلید واژگان: عیب یابی, ویولت بسته ای, انفیس, ژنراتور الکتریکی خودرو, سیگنال های ارتعاشی}Electrical Generator has a vital and important role in vehicles, especially the vehicles with Multiplex data transfer system. Developing electric malfunctions can cause catastrophic damages to other electric and electronic systems. Therefore alternator fault detection and monitoring has a significant role to avoid developing faults in other systems. In this research alternator fault detection and monitoring has been done with data extracted from vibration signals using Adaptive Neuro Fuzzy Inference System (ANFIS). To accomplish this task, certain faults are made on the alternator deliberately. Then vibrations from each specific fault are gathered and stored for subsequent analysis. The faults consist of: one phase disconnection, disconnection of positive voltage of regulator, burning of one and two diodes of rectifier set. The vibration signals of healthy alternator as well as different faulty states are gathered from two piezoelectric sensors mounted on alternator body for 30 seconds and 1000, 1500, and 2000 motor RPM. For analyzing vibration signals wavelet packet decomposition in level one was used. The mother wavelet with maximum energy to Shannon entropy was selected as the best choice. First and second energy bands were computed and used as the feature vector to the designed ANFIS. Results shows the proposed ANFIS model was effective and it could predict different faults with perfect match.Keywords: Fault Classification, Wavelet Packet, ANFIS, Vehicle Electric Generator, Vibration Signal}
-
هر صنعتی نیازمند برنامه ای پیش گویانه، در جهت بهینه نمودن مدیریت منابع و بهبود اقتصاد کارخانه با کاهش هزینه های غیر ضروری و افزایش سطح ایمنی می باشد. ماشین های دوار از جمله ماشین های رایج در صنعت است و ریشه بیشتر خرابی ها در ماشین های دوار به دلیل خرابی یاتاقان های غلتشی می باشد. ماهیت گذرای ارتعاشات ناشی از عیب در یاتاقان های غلتشی باعث گردیده تا تحلیل ارتعاشات در این تجهیزات با استفاده از تبدیل موجک پیوسته و آنالیز پوش انجام پذیرد. این مقاله به بررسی کاربردی روش ترکیب ماشین بردار پشتیبان و آنالیز مولفه های مستقل در تشخیص هوشمند محل و نوع عیب در یاتاقان های غلتشی می پردازد. از آنالیز مولفه های مستقل برای استخراج ویژگی و کاهش ابعاد از ویژگی های اصلی استفاده شده است، همچنین از آنالیز مولفه های اصلی نیز برای استخراج ویژگی استفاده شده و نتایج آن با آنالیز مولفه های مستقل مقایسه گردیده است. در این مقاله، طبقه بندی کننده چند کلاسه ماشین بردار پشتیبان برای طبقه بندی عیب به کار گرفته شده است و از روش اعتبار سنجی متقابل برای انتخاب مقادیر بهینه پارامترهای تابع هسته و ماشین بردار پشتیبان استفاده شده است.کلید واژگان: عیب یابی, آنالیز مولفه های مستقل, آنالیز مولفه های اصلی, ماشین بردار پشتیبان, یاتاقان های غلتشی}Any industry needs an efficient predictive plan in order to optimize the management of resources and improve the economy of the plant by reducing unnecessary costs and increasing the level of safety. Rotating machinery is the most common machinery in industry and the root of the faults in rotatingmachinery is often faulty rolling element bearings. Because of a transitory characteristic vibration of bearing faults, combining Continuous wavelet transforms with envelope analysis is applied for signal proseccing. This paper studies the application of independent component analysis and support vector machines to for automated diagnosis of localized faults in rolling element bearings. The independent component analysis is used for feature extraction and data reduction from original features. The principal components analysis is also applied in feature extraction process for comparison with independent component analysis does. In this paper, support vector machines-based multi-class classification is applied to do faults classification process and utilized a cross-validation technique in order to choose the optimal values of kernel parameters.Keywords: Fault Diagnosis, Independent Component Analysis, Principal components analysis, Support vector machines, Ball Bearing}
-
توربین بادی عبارت است از مجموعه ای پیچیده از سیستم های الکترومکانیکی که انرژی جنبشی باد را به توان الکتریکی تبدیل می کند. امروزه استفاده از توربین های بادی بسیار رواج یافته است. این ادوات بیشتر در محیط های بسیار نامساعد کار می کنند و به همین دلیل در معرض انواع خرابی ها قرار می گیرند. در این مقاله، به مرور و بررسی انواع روش های عیب یابی و پایش وضعیت قسمت های متنوع توربین بادی (مانند سیستم انتقال توان، پره ها، برجک و یاتاقان ها) پرداخته می شود. از جمله مهمترین این روش ها می توان به روش های آنالیز ارتعاشات، تحلیل درخت عیب، آزمایش فراصوت و جر این ها اشاره داشت. روش های مذکور می توانند علاوه بر اینکه وقوع خرابی در سیستم توربین بادی را پیشگیری نمایند و مانع از کار افتادگی آن شوند، سبب صرفه جویی در هزینه های نگه داری و تعمیرات توربین ها شده و میزان دقت و کیفیت شناسایی خرابی ها را بهبود بخشند. بر این اساس، روش نشر آوایی نسبت به روش آنالیز ارتعاشات دقیق تر و در مدت زمان کمتری به وجود عیب پی می برد. این در حالی است که روش فراصوت تنها تخمینی از محل و نوع عیب به دست می دهد؛ گفتنی است دقیق ترین روشی که امروزه در امر عیب یابی توربین بادی استفاده می شود، روش رادیوگرافی است.کلید واژگان: توربین بادی, عیب یابی, پایش وضعیت, مدیریت نگه داری}
-
این تحقیق به موضوع عیب یابی اتوماتیک ماشین های دوار با استفاده از داده های ارتعاشی نقاط مختلف این ماشین ها و به کمک یک پایگاه قوانین هوشمند فازی می پردازد. به این منظور از یک چارت تعیین هویت ارتعاشات جدید که در یکی از مراجع منتشر شده استفاده شده است. مشخصه این چارت جدید درنظر گرفتن زاویه فاز ارتعاشات در عیب یابی است و شامل مشخصه های فرکانسی، جهات غالب و زاویه فاز است و برای عیوب نابالانسی، ناهمراستایی، شافت خمیده و لقی مکانیکی تدوین شده است. سیستم فازی طراحی شده در این تحقیق یک سیستم بسیار ساده است. این سیستم نیازی به آموزش های پیچیده همانند آنچه برای شبکه های عصبی انجام می شود ندارد. از سیستم فازی طراحی شده برای عیب یابی چند ماشین دوار کارخانه ذوب آهن اصفهان مانند فن های مختلف مورد استفاده در این کارخانه استفاده شده است و نتایج حاصل از آن با نتایج عیب یابی حاصل از شبکه های عصبی موجود در مراجع دیگر مقایسه شده است. نتایج نشان می دهد سیستم فازی طراحی شده کارآیی بالایی برای تشخیص عیب دارد.کلید واژگان: عیب یابی, ماشین آلات دوار, منطق فازی, تحلیل ارتعاشات}In this paper, automatic fault diagnosis of rotating machines using vibrating data measured from different point of machines and an smart fuzzy knowledge-based systems is discussed. To this end, a new vibrations identification chart, recently published, is used. This vibration's identification chart contained frequency characteristics and phase angle and is represented for some usual defects such as unbalancy, misalignment, bent shaft and mechanical looseness. Designed fuzzy knowledge-based system has a very simple structure. It do not need any complicated training such as those are used for neural network training. To evaluate the performance of the designed fuzzy system in actual application, it is used for fault diagnosis of some rotating machines in Isfahan Steel Company such as Fans. The effect of different membership functions such as non-linear Gaussian, bell-shaped, sigmoid, s-shape and z-shape function for inputs and outputs of fuzzy rules database is investigated and.the results are compared with the results of some neural networks-based fault diagnosis systems. Results show the designed smart fuzzy system has acceptable performance in detecting fault.Keywords: Fault Diagnosis, Rotating Machine, Fuzzy Logic, Vibration Analysis}
-
در این پژوهش رفتار ارتعاشی تیر کوتاه یکسرگیردار ترک دار تحت نیروی محوری مورد بررسی قرار گرفته و روشی برای عیب یابی آن بر اساس آنالیز ارتعاشی ارائه شده است. بدین منظور اثرات نیروی محوری، تغییر شکل برشی و اینرسی دورانی در نظر گرفته شده است. مقطع معیوب به صورت یک جزء انعطاف پذیردر نظر گرفته شده است که تیر را به دو قسمت تقسیم می کند. ترک بصورت فنر پیچشی مدل شده است که سفتی معادل آن از تئوری مکانیک شکست به دست می آید. پس از استخراج معادلات حاکم بر رفتار ارتعاشی تیر ترک دار، مشخصه های ارتعاشی تیر معیوب به روش مستقیم استخراج شده است. به منظور عیب یابی، به روش معکوس از مشخصه های ارتعاشی استفاده شده، و موقعیت و عمق ترک تعیین می شود. در نهایت اثرات نیروی محوری و پارامترهای ترک بر پاسخ ارتعاشی بررسی می شود. صحت نتایج به دست آمده با استفاده از نتایج تئوری و تجربی ارائه شده در ادبیات فن به اثبات رسیده است.کلید واژگان: تیر ترک دار, نیروی محوری, تیر تیموشنکو, عیب یابی}In this research, firstly, the vibrational behavior of a cracked short cantilever beam under the axial load is investigated, and then, an analytical approach for the crack identification based on the vibration analysis is proposed. The cracked section of the beam is considered as a flexible element, which divides the beam into two segments. Using the fracture mechanics theory, the local flexibility of the crack is modeled as a mass-less tensional spring. By applying the boundary conditions and the inner conditions at the crack location, and taking into account the effects of shear deformation and rotary inertia, the governing equation of motion for the cracked beam is derived. The influence of the axial load and the crack parameters on the vibration behavior of the cracked beam is studied by establishing and solving the corresponding eigenvalue problem, directly. Then in order to predict the crack depth and location through the known natural frequencies of the cracked beam, which are obtained by the experimental tests, the corresponding inverse problem is established and solved analytically. The Results have been validated by the experimental and theoretical data reported in the literatures.Keywords: Cracked beam, axial load, Timoshenko beam, crack detection}
-
امروزه، تشخیص دقیق و سریع عیب، یکی از مسائل اساسی در صنعت می باشد. به همین دلیل، تاکنون، الگوریتم های پیشرفته ی بسیاری بدین منظور به کار گرفته شده اند که اکثرا دارای پیچیدگی بسیاری بوده و یا نتایج مطلوبی را درپی نداشتند. پژوهش حاضر، روشی نوین جهت تشخیص عیب یاتاقان های موتورهای الکتریکی صنعتی و دسته بندی آن ها براساس قطر عیب و محل آن ارائه می نماید. در بخش ابتدایی، سیگنال ارتعاشی مرتبط با عیوب مختلف به صورت آزمایشگاهی برای دو یاتاقان ساچمه ای شیار عمیق استاندارد متصل به سمت شفت گردنده و سمت محرک در حالت های معیوب و سالم استفاده شده و سپس، در بخش دوم، به دلیل وجود نویز بالا در سیستم، از تبدیل موجک ساده ی تک بعدی میر جهت تحلیل سیگنال در حوزه ی 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 دسته بندی نوع عیب، داده شده و تفکیک پذیری بر اساس میزان عیب موجود در شیار و یا ساچمه انجام گرفته است. در این بخش، قابلیت های اصلی سیستم فازی و شبکه ی عصبی، یعنی مقابله با عدم قطعیت و انعطاف پذیری، به منظور افزایش میزان دقت و مقابله با نویز در امر عیب یابی ترکیب شده است. بخش چهارم این پژوهش نیز به بررسی عملکرد سیستم با تحلیل سیگنال های جدید آزمایشگاهی و درنهایت مقایسه ی این نتایج با کارهای پیشین اختصاص یافته است. نتایج حاصل، حاکی از دقت بالا و قابلیت تفکیک و دسته بندی بهتر روش ارائه شده می باشد.
کلید واژگان: عیب یابی, سیگنال ارتعاشی, تبدیل موجک, سیستم عصبی, فازی تطبیقی}Today, fast and accurate fault detection is one of the major concerns in the industry. Although many advanced algorithms have been implemented in the past decade for this purpose, they were very complicated or did not provide the desired results. Hence, in this paper, we have proposed an emerging method for deep groove ball bearing fault diagnosis and classification. In the first step, the vibration test signals, related to the normal and faulty bearings have been used for both of the drive-end and fan-end bearings of an electrical motor. After that, we have employed the one dimensional Meyer wavelet transform for signal processing in the frequency domain. Hence, the unique coefficients for each kind of fault were extracted and directed to the adaptive neuro-fuzzy system for fault classification. The intelligent adaptive neuro-fuzzy system was adopted to enhance the fault classification performance due to its flexibility and ability in dealing with uncertainty and robustness to noise. This system classifies the input data to the faults in the race or the balls of each of the fan-end and the drive-end bearings with specific fault diameters. In the final part of this study, the new experimental signals were processed in order to verify the results of the proposed method. The results reveal that this method has more accuracy and better classification performance in comparison with other methods, proposed in the literature.Keywords: Fault Diagnosis, Vibration Signal, wavelet transform, Adaptive Neuro, Fuzzy System} -
در این مقاله از روش آنالیز مولفه های اصلی برای تعیین حالت معیوب یک هواساز 5 منطقه ای بااستخراج ارتباط بین متغیرهای موجود در هواساز و کاهش ابعاد داده های اندازه گیری شده، استفاده می شود.از یک مدل آنالیز مولفه های اصلی می توان برای تعیین حد آستانه آماری و همچنین مربع خطاهای پیش بینی مشاهدات جدید، به منظور بررسی وجود عیب در هواساز استفاده کرد. سیستم عیب یابی شامل یک برنامه عیب یابی بر اساس روشآنالیز مولفه های اصلی، یک سیستم مدیریت ساختمان با سه عدد سنسور، شیر کنترل و سیگنال های کنترل هوای خروجی است. در این پژوهش عیب های مختلفی به صورت مصنوعی بر روی سیستم هواساز موجود در بیمارستان رضوی مشهد ایجاد شده است. منطقه مورد بررسی در این مطالعه بخش اداری بیمارستان می باشد. این عیب ها شامل عیب در سنسور دمای داخل کانال، سنسور دمای موجود دربخش اداری، گیر کردن دمپر هوای برگشتی، گیر کردن دمپر هوای خروجیو گیر کردن شیر کنترلی کویل آب گرم هواساز میباشد. نتایج نشان می دهند که استفاده از روش آنالیز مولفه های اصلی، برای شناسایی حالت معیوب این هواساز موثر و قابل قبول می باشد.
کلید واژگان: عیب یابی, هواساز, آنالیز مولفه های اصلی, مربع خطای پیش بینی}This paper uses principal component analysis (PCA) method for detection of faults in a five zone air handling unit (AHU). PCA approach is used to extract the correlation of variables in air handling unit and reduce the dimension of measured data. A PCA model is built to determine the thresholds of statistics and calculate square prediction errors (SPE) of new observations, which are used to check if a fault occurs in AHU. The fault detection system consists of a PCAbased fault detection code, a building management system (BMS) with three temperature sensors, control valve and output air controller signals. Allexperiments were carried out on air conditioning systemof the RAZAVI hospital in Mashhad. Five faults artificially introduced to the system, are as follows: (1) Hot air temperature,(2) Room temperature sensors,(3) Return air damper stuck, (4) Outdoor damper stuck, (5) Control valve damper stuck, signals. The results show that the PCA-based fault detection method is applicable and effective for AHU.Keywords: Fault detection, Air Handling unit, Principal component analysis, Square prediction error}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.