استفاده از منطق فازي در عيب‌يابي هوشمند ماشين‌آلات دوار و بررسي اثر توابع عضويت مختلف

Smart Fault Diagnosis of Rotating Machines using Fuzzy Systems and Analysis of Effects of Different Membership Functions

اين مقاله، به موضوع عيب‌يابي اتوماتيك ماشين‌هاي دوار با استفاده از داده‌هاي ارتعاشي نقاط مختلف اين ماشين‌ها و به كمك يك پايگاه قوانين هوشمند فازي مي‌پردازد. به اين منظور، از يك چارت تعيين هويت ارتعاشات جديد استفاده شده است كه در يكي از مراجع منتشر شده است. مشخصه اين چارت جديد، درنظر گرفتن زاويه فاز ارتعاشات در عيب‌يابي است و شامل، مشخصه‌هاي فركانسي، جهات غالب و زاويه فاز است و براي عيوبي مختلفي همچون، نابالانسي، ناهمراستايي، شافت خميده و لقي مكانيكي تدوين شده ‌است. سيستم فازي طراحي شده در اين تحقيق، يك سيستم بسيار ساده است. اين سيستم نيازي به آموزش‌هاي پيچيده ندارد، همانند آنچه براي شبكه‌هاي عصبي انجام مي‌شود. از سيستم فازي طراحي ‌شده براي عيب‌يابي چند ماشين دوار كارخانه ذوب‌آهن اصفهان مانند فن‌هاي مختلف مورد استفاده در اين كارخانه استفاده شده است. همچنين تاثير توابع عضويت مختلف همچون، غير‌خطي گوسي، ناقوسي، s شكل و z شكل در ورودي‌ها و خروجي‌هاي سيستم فازي، مورد بررسي قرار گرفته، نتايج حاصل از آن با نتايج عيب‌يابي حاصل از شبكه‌هاي عصبي موجود در مراجع ديگر و نتايج عملي مقايسه شده است. نتايج نشان مي‌دهد، سيستم فازي طراحي شده كارآيي قابل قبولي براي تشخيص عيب دارد.

In this work, the automatic fault diagnosis of rotating machines is discussed using the vibrating data measured from different points of machines and a smart fuzzy knowledge-based system. To this end, a new vibrations’ identification chart, recently published, is used. This chart, containing frequency characteristics and phase angle, is represented for some usual defects such as unbalancy, misalignment, bent shaft, and mechanical looseness. Designed fuzzy knowledge-based system has a very simple structure. It does not require any complicated training such as those used for neural network training. In order to evaluate the performance of the designed fuzzy system in actual applications, it is used for the fault diagnosis of some rotating machines in Isfahan Steel Company such as fans. The effects of different membership functions such as the non-linear Gaussian, bell-shaped, sigmoid, s-shape, and z-shape function for inputs and outputs of fuzzy rules database are studied and the results obtained are compared with those for some neural network-based fault diagnosis systems and experimental results. These results show that the designed smart fuzzy system has an acceptable performance in detecting faults.