تشخیص عیوب ماشینهای دوار با آنالیز ارتعاشات و استفاده از شبکه ‏عصبی

مبنای تشخیص معایب احتمالی یک ماشین، مقایسه طیف های فرکانسی ارتعاشات نقاط ‏مختلف آن با طیف های مرجع موجود ‏است. استفاده از این روش عیب یابی مقرون به صرفه است چرا که بدون نیاز به توقف ماشین، می توان وضعیت نقاط مختلف آن ‏را ‏تحت بررسی قرار داد و همچنین فقط در مواقع لازم و با توجه به میزان پیشرفت عیوب احتمالی، می توان اقدام ‏به تعمیر آن ‏نمود. در این تحقیق، از شبکه ی عصبی پرسپترون چند لایه (‏MLP‏) و شبکه عصبی پیشخور (‏FNN‏) استفاده شده است. ‏همچنین عیوب متداول در ‏ماشین آلات دوار بطور جداگانه ایجاد شد و فرکانس ارتعاشی تولیدی توسط ‏دستگاه ‏آنالیزور ‏ADASH 4400‎‏ اندازه گیری گردید. با معرفی چهار ویژگی ارتعاشی شامل ناهمراستایی زاویه ای، لقی، خرابی و ‏نابالانسی بیرینگ بعنوان داده های ورودی به شبکه های عصبی مصنوعی، نتایج با سیگنالهای فرکانسی مرجع مقایسه گردید.‏‎ ‎نتایج ‏نشان می دهد که شبکه های عصبی ‏MLP‏ و ‏FNN‏ به ترتیب تا 73% و 78% توانایی تشخیص عیوب را دارند. بنابراین روش ‏FNN‏ برای پیش بینی و شناسایی عمر مفید قطعات دوار پیشنهاد می گردد.‏