پلی میان الگوهای ارتعاشی و مکانیزمهای تخریب مواد: مطالعه مقایسهای منطق فازی و شبکه عصبی مصنوعی برای طبقهبندی عیوب بیرینگ
پلی میان الگوهای ارتعاشی و مکانیزمهای تخریب مواد: مطالعه مقایسهای منطق فازی و شبکه عصبی مصنوعی برای طبقهبندی عیوب بیرینگ
علیرضا هاشمی1 حسن کریمی2
1) . گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران
2) . گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران
کد IOI مقاله
:
AAHE-ABFDBC
محل انتشار :
کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
بیرینگهای غلتشی از اجزای حیاتی ماشینآلات دوار هستند و خرابی ناگهانی آنها میتواند به توقف خط تولید و خسارات اقتصادی قابل توجه منجر شود. این پژوهش، یک مطالعه تجربی مقایسهای میان دو روش هوش مصنوعی — منطق فازی و شبکه عصبی مصنوعی — برای عیبیابی ارتعاشی بیرینگ ارائه میدهد. یک بستر تست اختصاصی طراحی و ساخته شد و سیگنالهای ارتعاشی از بیرینگ NACHI B7215 (فولاد AISI 52100) در پنج وضعیت سالم، سایش کنس داخلی، لقی کنس داخلی، لقی کنس خارجی، و کچلی ساچمه در دو سرعت دورانی ۵۰۰ و ۱۰۰۰ دور بر دقیقه با ۶۵ تکرار برای هر وضعیت ثبت گردید. پس از تبدیل فوریه سریع، ۲۳ ویژگی آماری از طیفهای فرکانسی استخراج شد. برای جلوگیری از نشت داده، انتخاب ویژگی با استفاده از معیار بهره اطلاعاتی منحصراً روی دادههای آموزش (۷۰٪) انجام شد و ۳۰٪ باقیمانده به عنوان مجموعه تست مستقل نگه داشته شد. دقت طبقهبندی با روش اعتبارسنجی متقابل ۵-تایی تأیید گردید. شبکه عصبی پرسپترون چندلایه با ساختار ۲۳-۱۰-۵ به دقت ۹۹.۱۱٪ در سرعت ۱۰۰۰ دور بر دقیقه دست یافت، در حالی که سیستم استنتاج فازی سوگنو (با قوانین استخراجشده از درخت تصمیم J48) به دقت ۹۶٪ رسید. نوآوری اصلی این پژوهش، ارائه یک رویکرد ویژگیهای قابل تفسیر فیزیکی است: ویژگیهای منتخب — میانگین طیفی (F1)، انحراف معیار (F5)، و کشیدگی نرمالشده (F9) — بهطور صریح به مکانیزمهای تخریب مواد شامل خستگی تماسی غلتشی، سایش خراشان، و خوردگی فرتینگ مرتبط شدهاند و پلی میان دنیای پردازش سیگنال و مهندسی مواد ایجاد میکنند.
کلمات کلیدی : عیبیابی بیرینگ منطق فازی شبکه عصبی مصنوعی آنالیز ارتعاشی مکانیزم تخریب مواد فولاد aisi 52100 ویژگیهای قابل تفسیر