پيش بيني خرابي تجهيزات با استفاده از شبكه هاي عصبي و تجزيه و تحليل مولفه هاي اصلي در حوزه پيش بيني و مديريت سلامت

Equipment Fault prognostic by use of neural network and principal component analysis in Prognostic and health management field

امروزه با پيشرفت تجهيزات و نياز مشتريان به محصولاتي با قابليت اطمينان بالاتر، هزينه هاي استراتژي هايي مانند نگهداري و تعميرات (نت) پيشگيرانه در صنايع پيچيده پيشگيرانه به شدت افزايش پيدا كرده است. مدل پيش بيني عيوب و مديريت سلامت حدود يك دهه است كه پا به حوزه نت گذاشته است. مهم ترين جزء اين مدل هفت لايه اي، پيش بيني عيوب تجهيزات مي باشد كه بر اساس پايش دائم سيستم توسط حسگرهاي تعبيه شده بر روي تجهيز عمل مي كند. در واقع مي توان با بررسي سيگنال هاي مربوط به كار - تا - خرابي، تجهيز و به دست آوردن روند خرابي و با استفاده از سيگنال هاي آينده دستگاه، زمان شكست آن را به طرز قابل قبولي تخمين زده و از شكست دستگاه در حين كار جلوگيري نمود. اخيرا بحث استفاده از چندين حسگر جهت پايش بهتر سيستم ايجاد شده است و اين امر باعث افزايش سيگنال هاي ورودي به الگوريتم هاي پيش بيني مي گردد. اين مقاله با استفاده از روش تجزيه و تحليل مولفه هاي اصلي علاوه بر اينكه سرعت شبكه هاي عصبي را براي پيش بيني افزايش مي دهد، نشان ميدهد كه نتايج حاصل جهت پيش بيني عيوب بسيار بهتر مي شوند. در اين مقاله ابتدا با استفاده از روش از روش تجزيه و تحليل مولفه اصلي سيگنال هاي واقعي نرمالايز شده ياتاقان كاهش ابعاد داده شده و سپس با شبكه هاي عصبي به بررسي روند خرابي و نهايتا پيش بيني عيوب پرداخته مي شود. نتايج نهايي حاكي از تاثيرات زياد اين ادغام در بهبود پيش بيني صورت گرفته مي باشد

Today by equipment progression and the customer needs to more quality product the cost of some strategies like predictive maintenance became expensive. The fault prognostic model has been introduced about one decade. The most important part of these modeling that has seven parts and work with sensors, is prognostic. In real by use of run to failure signal and get the failure process, we can estimate the failure time. Recently the researcher use of multi sensor signals for prognostic. This article uses of principle component analysis for better results and increasing speed in neural networks. In this research at first we use of neural network analysis for normalized data, and so decrease the data dimensions then by use of neural networks, we predict bearing fault. The result shows our method improved the quality and speed of neural network prognostic