تشخیص عیب زمان–فرکانسی برای کنترل پیش‌بین سلامت‌محور ماشین‌آلات دوار

تشخیص عیب زمان–فرکانسی برای کنترل پیش‌بین سلامت‌محور ماشین‌آلات دوار

امیرحسین عباسی1 انسام البهادلی2

1) دانشجوی کارشناسی ارشد مهندسی پزشکی گرایش بیوالکتریک، دانشگاه علوم پزشکی اصفهان، ایران -
2) دانشجوی کارشناسی ارشد مهندسی کنترل، دانشگاه علم و صنعت، ایران -

کد IOI مقاله : AAHD-ABKHCE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    تشخیص عیب در ماشین‌آلات دوار اغلب به‌صورت یک مسئله مستقلِ طبقه‌بندی ارزیابی می‌شود؛ بااین‌حال، ارزش عملیاتی یک تصمیم تشخیصی زمانی معنا پیدا می‌کند که این تصمیم به اقداماتی متناسب با وضعیت سلامت سامانه تبدیل شود. در این پژوهش، یک چارچوب یکپارچه از تشخیص تا کنترل توسعه داده شده است که بازنمایی‌های چندحسگری در حوزه‌های زمان و فرکانس، شناسایی عیب مبتنی بر یادگیری ماشین، یک شاخص پیوسته سلامت نسبی و کنترل پیش‌بین مدلِ آگاه از عیب را در کنار یکدیگر قرار می‌دهد. مجموعه‌داده عمومی سامانه انتقال قدرت دانشگاه Southeast برای بررسی ده کلاس مختلف سلامت یاتاقان و چرخ‌دنده در دو شرایط کاری سازمان‌دهی شد. داده‌های هشت کانال هم‌زمان به 200 بازه غیرهم‌پوشان 15 ثانیه‌ای تقسیم شدند و هر بازه با 1080 توصیفگر حوزه فرکانس و 1560 توصیفگر حوزه زمان نمایش داده شد. بازنمایی تلفیقی 2640‌بعدی فقط در زیرمجموعه‌های آموزشی افزایش داده شد، سپس استانداردسازی شد و با استفاده از تحلیل مؤلفه‌های اصلی به 20 مؤلفه کاهش یافت. شش طبقه‌بند با اعتبارسنجی متقابل پنج‌بخشی ارزیابی شدند و مدل نهایی برای به‌کارگیری عملی، بر اساس معیار macro-F1 حاصل از اعتبارسنجی متقابل انتخاب شد، نه بر پایه مجموعه آزمون قفل‌شده. مدل جنگل تصادفی بالاترین مقدار macro-F1 اعتبارسنجی را برابر با 93.73 درصد به دست آورد و در مجموعه آزمون قفل‌شده نیز به دقت 97.5 درصد و macro-F1 برابر با 97.46 درصد رسید. همچنین، یک شاخص سلامت مبتنی بر فاصله ماهالانوبیس و متناسب با خانواده تجهیز، با میزان اطمینان تشخیص عیب تلفیق شد و توانست اغلب نمونه‌های معیوب را از حالات مرجع سالم به‌خوبی تفکیک کند. در شبیه‌سازی حلقه‌بسته، کنترل‌کننده سلامت‌محور مبتنی بر هوش مصنوعی در مقایسه با کنترل پیش‌بین مدل اسمی، به‌ترتیب میانگین تلاش کنترلی، بیشینه گشتاور و بیشینه پاسخ پیچشی را 7.13، 8.36 و 9.61 درصد کاهش داد؛ هرچند خطای RMSE ردیابی سرعت 46.16 درصد افزایش یافت. این نتایج وجود یک مصالحه روشن و قابل‌اندازه‌گیری میان سلامت تجهیز و عملکرد کنترلی را نشان می‌دهند و از انطباق کنترل مبتنی بر نتایج تشخیص، به‌عنوان توسعه‌ای در سطح سامانه برای روش‌های متداول طبقه‌بندی عیب، پشتیبانی می‌کنند.

کلمات کلیدی : ماشین‌آلات دوار تشخیص عیب همجوشی حسگرها کنترل پیش‌بین مدل سلامت‌محور