پايش وضعيت ياتاقان‌هاي غلتشي به روش ارتعاشي با بهره‌گيري از مدل يادگيري ماشين

A New Machine Learning Method for Ball Bearing Condition Monitoring Based on Vibration Analysis

در سال‌هاي اخير با ظهور انقلاب صنعتي چهارم و توسعه فناوري‌هاي هوش مصنوعي، رويكردهاي نويني در زمينه نگه‌داري و تعمير افزارگان معرفي‌شده‌اند؛ كه از آن جمله مي‌توان به همزاد ديجيتال اشاره نمود. اولين گام براي ايجاد همزاد ديجيتال يك افزار، ساخت شاخص‌هاي كمّي و كيفي است كه براي توصيف لحظه‌اي افزار در طي مدت بهره‌برداري به كار مي‌رود. در اين پژوهش يك روش نوين براي ساخت شاخص سلامت افزارگان براساس اندازه‌گيري ارتعاشات و مدل‌هاي يادگيري عميق معرفي‌شده است. براي اين منظور داده‌هاي ارتعاشي خام تجهيز با استفاده از تبديل موجك پيوسته به تصاوير دوبعدي تبديل خواهند شد. سپس با استفاده از يك مدل يادگيري عميق، ميزان تفاوت تصاوير وضعيت سالم و معيوب افزار تشخيص داده‌شده و شاخص سلامت ايجاد مي‌شود. مدل ارائه‌شده مي‌تواند به‌صورت خودكار شاخص سلامت را ايجاد نمايد و نيازمند دانش متخصص خبره براي تفسير نتايج آناليز ارتعاشي نيست. همچنين، آموزش مدل يادگيري عميق به‌صورت بدون نظارت بوده و تنها با استفاده از داده‌هاي ارتعاشي وضعيت سالم تجهيز صورت مي‌پذيرد و بنابراين نيازمند داده‌هاي خرابي پيشين نيست. عملكرد مدل پيشنهادشده توسط داده‌هاي ارتعاشي ياتاقان مورد ارزيابي قرارگرفته كه نشان از توانايي قابل‌قبول شاخص سلامت در تشخيص آغاز خرابي و چگونگي روند رشد آن دارد.

In recent years, with the advent of the Fourth Industrial Revolution concepts and the development of artificial intelligence technologies, new approaches such as the digital twin have been introduced. In a digital twin, a virtual counterpart of the physical system during its whole life is created, with abilities such as analyzing, evaluating, optimizing, and predicting. The first step in creating a digital twin model is to construct a (multi) digital health indicator that describes different aspects of the physical component state during the whole life of the component. In this research, a new method for constructing health indicators based on vibration measurement and a deep learning model has been introduced. For this purpose, the Continuous Wavelet Transform was used to convert the raw vibration signals into two-dimension images; Then, the deep learning model was used to extract features from the images and the health indicator is constructed based on the differences of the images in normal and failure stages. In this article, various Autoencoder architectures are discussed, and it is demonstrated that the Convolutional Autoencoder has better performance in terms of detecting incipient faults. The performance of the proposed model is evaluated by the vibration data of the bearing, and the constructed health indicator exhibited a monotonically increasing degradation trend and had good performance in terms of detecting incipient faults.