كاربرد آناليز ارتعاشات و شبكه عصبي Wavelet در تشخيص و پيش بيني هوشمند عيوب مكانيكي،مطالعه موردي تعيين عمر باقي مانده ياتاقان چيلر

نگهداری و تعمیرات مبتنی بر شرایط (CBM) و مدیریت سلامت و پیش بینی (PHM) در خلال سال های اخیر به عنوان فناوری های چشمگیری كه تاثیر عمیقی بر فعالیت های مربوط به نگهداری و تعمیرات در حوزه های نظامی و تجاری دارند، حضور یافته اند. در واقع اكنون ما شاهد یك نوع تغییر موضع حقیقی در روش طراحی ، پایش و نگهداری و تعمیرات سیستم های پیچیده (اعم از وسایل هوانوردی و فضا نوردی، سیستم های حمل و نقل دریایی، فرایندهای صنعتی و ساخت و تولید) هستیم. تشخیص و پیش بینی عیوب، تعیین باقی مانده عمر مفید اجزای سیستم، به مشاركت فعال تخصص های چند گانه احتیاج دارند. فناوری PHM وCBM به دنبال ادغام و تشكیل یك پیوند قوی از گرایش های میان رشته ای علوم مهندسی، كامپیوتر و قابلیت اطمینان بوجود آمدند. در این مقاله در بخش مرور ادبیات، چگونگی توسعه نگهداری و تعمیرات میتنی بر شرایط به مدیریت سلامت و پیش بینی معرفی می شود. سپس ساختار و ویژگی های شبكه عصبی موجك بیان می گردد.در بخش مدل سازی تكنیك ها و مدل های تشخیص، طبقه بندی و پیش بینی عیوب را بررسی كرده و روش اعتباردهی مدل ها تشریح می گردد. در بخش مطالعه موردی، رشد اندازه شكاف و عمر مفید باقی مانده یاتاقان خنك كننده یك شناور خاص، به كمك آنالیز ارتعاشات و شبكه عصبی موجك پیش بینی خواهد شد.