تشخيص عيوب ماشينهاي دوار با آناليز ارتعاشات و استفاده از شبكه عصبي

Defects Detection of Rotating Machine Using Vibration Analysis and Neural Network

مبناي تشخيص معايب احتمالي يك ماشين، مقايسه طيف‌هاي فركانسي ارتعاشات نقاط مختلف آن با طيف‌هاي مرجع موجود است. استفاده از اين روش عيب‌يابي مقرون به صرفه است چرا كه بدون نياز به توقف ماشين، مي‌توان وضعيت نقاط مختلف آن را تحت بررسي قرار داد و همچنين فقط در مواقع لازم و با توجه به ميزان پيشرفت عيوب احتمالي، مي‌توان اقدام به تعمير آن نمود. در اين تحقيق، از شبكه‌ي عصبي پرسپترون چند لايه (MLP) و شبكه عصبي پيشخور (FNN) استفاده شده است. همچنين عيوب متداول در ماشين‌آلات دوار بطور جداگانه ايجاد شد و فركانس ارتعاشي توليدي توسط دستگاه آناليزور ADASH 4400 اندازه‌گيري گرديد. با معرفي چهار ويژگي ارتعاشي شامل ناهمراستايي زاويه‌اي، لقي، خرابي و نابالانسي بيرينگ بعنوان داده‌هاي ورودي به شبكه‌هاي عصبي مصنوعي، نتايج با سيگنالهاي فركانسي مرجع مقايسه گرديد. نتايج نشان مي‌دهد كه شبكه‌هاي عصبي MLP و FNN به ترتيب تا 73% و 78% توانايي تشخيص عيوب را دارند. بنابراين روش FNN براي پيش‌بيني و شناسايي عمر مفيد قطعات دوار پيشنهاد مي‌گردد.

The base of diagnosing the possible defects of a machine is comparing the frequency spectra of the vibrations at different points with the existing reference spectra. Due to the needless stoping of machine for investigation of its various parts, use of this troubleshooting method is affordable; Also, regarding to progress of possible defectes, the machine can be rapaired in any required times. In this study , using Neural Network (MLP and FNN), firstly common defects in rotating machines were created separately, then the produced vibrational frequency were measured by ADASH 4400 analyzer. Introducing four vibrational characteristics including angular misalignment, clearance, failure and unbalance of bearing as input data of artificial neural network ,the results were compared to the reference frequency signals. The results show that neural networks MLP and FNN increase the defects detection ability by 73% and 78%, respectively. So, FNN method is proposed for useful life prediction and detection of rotating parts.