روشي نو درتعيين عمق ترك محور دوار با استفاده از آنتروپي چند مقياسي جايگشتي و شبكه انفيس

A new method in determining rotor crack depth by using multi-scale permutation Entropy and ANFIS network

آنتروپي در آمار، معياري در جهت اندازه‌گيري بي‌نظمي در سري‌هاي زماني مي‌باشد. از آنتروپي جهت بررسي سيگنال‌هاي زماني فيزيولوژيك استفاده مي‌شود. به كمك اين تحليل مي‌توان به عملكرد سالم يا ناسالم ارگان‌هاي بدن مانند قلب، مغز و ... پي بُرد. از اين روش براي تشخيص بيماري صرع استفاده شده است. در اين مقاله براي اولين بار از نوع خاصي از آنتروپي به نام آنتروپي جايگشتي جهت تعيين سلامت سيستم‌هاي مكانيكي استفاده شده است. دستگاهي شامل موتور كه به يك محور تحت گشتاور خمشي متصل شده جهت انجام آزمايشات طراحي و ساخته شد. ارتعاشات ناشي از اين محور دوار در حالت‌هاي سالم و با ترك‌هاي 3، 5 و 7 ميلي‌متر توسط دستگاه داده‌برداري بر روي ياتاقان‌هاي نگه‌دارنده محور، ثبت شد. اين سيگنال‌ها توسط الگوريتم آنتروپي جايگشتي مورد تحليل قرار گرفت. نتايج حاصل از اين پيش‌پردازش سيگنال‌هاي ارتعاشي به‌عنوان بردارهاي خصوصيت به يك سيستم استنتاج عصبي- فازي تطبيقي (انفيس) داده شد. تعداد 9 خصوصيت از سيگنال آنتروپي چندمقايسي اسخراج شد كه بعنوان ورودي‌هاي سيستم انفيس مورد استفاده قرار گرفت. سيستم انفيس طراحي‌ شده توانست با تحليل سيگنال‌هاي پيش پردازش شده حالات مختلف چهارگانه را با دقت بيش از 96% تشخيص دهد. نتايج به‌دست ‌آمده از اين تحقيق مي‌تواند به‌عنوان روشي جديد و بديع جهت عيب‌يابي سيستم‌هاي مكانيكي مورد استفاده قرار گيرد.

In statistics, Entropy is a measure of time series disorder. Entropy is used in physiologic signal analysis. In physiologic science, Entropy is used for performance analysis of body organs such as heart and brain. Epileptic patients have been diagnosed with this technique. In this paper for the first time, Entropy is used to determine the health condition of mechanical systems. A special kind of Entropy, namely Permutation Entropy is used for this purpose. To perform the experiment an apparatus consisting of a motor coupled with a shaft has been designed and manufactured. Vibration signals from support bearing of this system in different shaft states, namely healthy shaft, and shafts with 3, 5 and 7 mm crack were gathered with a vibration data analyzer. The vibrations were taken from sensors mounted on bearing supports of the shaft. Shaft was subjected to a constant bending moment. The vibration signals were preprocessed by permutation Entropy method. Nine different features were extracted from the Entropy signals which are fed to an Adaptive Neuro Fuzzy Inference System (ANFIS). The designed ANFIS was capable of classifying different shaft states with an overall precision of 96%.