تشخيص هوشمند عيب در رينگ داخلي و خارجي بيرينگ ها با استفاده از آناليز ارتعاشات و شبكه هاي عصبي مصنوعي بهينه شده پرسپترون چند لايه

بيرينگ ها از مهمترين تجهيزات ماشين آلات دوار بوده و بروز عيوب در آنها باعث ايجاد خرابي و خسارت در ديگر تجهيزات مي شود، اهميت شناسايي به موقع عيوب از اين رو مي باشد كه مي توان از كاهش بازده و توليد و خرابي احتمالي سيستم جلوگيري به عمل آورد، با توجه به اينكه شرايط سالم و ناسالم در قطعات سيگنال هاي ارتعاشي معيني را توليد خواهند كرد، به منظور تشخيص عيوب و با توجه به شرايط به وجود آمده در عيب، از روش هاي تحليل سيگنال هاي ارتعاشي متفاوتي استفاده ميگردد. در اين مقاله از روش تحليل و پردازش سيگنال هاي ارتعاشاتي در حوزه ي زمان و فركانسي جهت استخراج ويژگي هاي ارتعاشاتي مورد استفاده قرار گرفته و بدين منظور يك مدل بيرينگ از نوع ER-16K ساخت شركت MB كشور انگلستان كه ابتدا ارتعاشات آن توسط يك شتاب سنج پيزوالكتريك در حالت كاركرد سالم و در حالت ناسالم در رينگ خارجي و داخلي نيز تحت بار قرار گرفته و ارتعاشات آن در دانشگاه Curtin university استراليا ضبط شده است. پس از استخراج 11 ويژگي ارتعاشي شامل : Clearance Factor, Crest Factor, Kurtosis, Standard Deviation, Peak ,Average, Energy, RMS, Impulse Factor, Shape Factor, Normalizer Energy براي حالات سالم و ناسالم بصورت يك ماتريس جهت طبقه بندي و تشخيص عيوب از شبكه هاي عصبي مصنوعي چند لايه پرسپترون بهره برده و به عنوان ورودي به اين شبكه عصبي مصنوعي اعمال كرديم. با توجه به پايين بودن درصد تشخيص صحيح عيوب، نوآوري صورت گرفته جهت بهينه سازي خروجي مذكور شبكه و تشخيص نوع عيب در اين تحقيق با اصلاح تابع فعال سازي لايه خروجي به تابع تانژانت سيگموئيد و استفاده از الگوريتم پس انتشار و انتخاب صحيح تعداد لايه هاي مخفي مي باشد كه سبب رسيدن به درصد بالاي 98 درصد جهت پيش بيني دقيق تر نوع عيب بيرينگ معيوب ميباشد.