عيب‌يابي هوشمند ياتاقان‌هاي غلتشي با استفاده از سيگنال‌هاي ارتعاشي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

ياتاقان‌هاي غلتشي از اجزاي پركاربرد در ماشين‌آلات دوار هستند كه خرابي ناگهاني آن‌ها مي‌تواند پيامدهاي قابل‌توجهي در صنعت به همراه داشته باشد. در سال‌هاي اخير، موفقيت مدل‌هاي يادگيري ماشين در كاربردهاي مختلف، توجه به استفاده از آن‌ها در پايش وضعيت و عيب‌يابي را افزايش داده است. به‌علاوه، پيچيدگي‌هاي موجود در اين مسئله، ضرورت بهره‌گيري از روش‌هاي هوشمند را در اين حوزه افزايش داده است. در اين پژوهش، با هدف طراحي و ارزيابي مدل‌هاي يادگيري براي دسته‌بندي عيوب ياتاقان‌هاي غلتشي، سه مجموعه‌داده مرجع شامل CWRU، PU و MFPT مورد تحليل قرار گرفتند. بررسي سيگنال‌هاي ارتعاشي اين مجموعه‌داده‌ها با استفاده از طيف مربع پوش نشان داد كه بخشي از داده‌ها داراي نشانه‌هاي كلاسيك عيوب ياتاقان‌هاي غلتشي هستند، درحاليكه، برخي فاقد اين نشانه‌ها بوده يا الگوهايي متفاوت از عيوب معمول نمايش مي‌دهند. دو نوع شبكه عصبي شامل پرسپترون چندلايه (MLP) و شبكه عصبي كانولوشني يك بعدي (1D-CNN) براي دسته‌بندي داده‌ها استفاده شد. اين مدل‌ها با دو نوع تقسيم‌بندي داده‌ها شامل تقسيم‌بندي تصادفي و تقسيم‌بندي براساس اندازه‌ عيب آموزش داده شدند. در تقسيم‌بندي تصادفي، به‌دليل احتمال هم‌پوشاني بخش‌هايي از يك سيگنال در مجموعه‌هاي آموزش و تست، پديده‌ نشت داده رخ داده و مدل در مواجهه با داده‌هاي مشابه با داده‌هاي آموزشي، دقت‌هايي تقريباً كامل و غيرواقعي به‌دست مي‌آورد. در مقابل، تقسيم‌بندي براساس اندازه‌ عيب با حذف اين هم‌پوشاني، به مسئله‌ واقعي عيب‌يابي نزديك‌تر است و نتايج واقع‌بينانه‌تري ارائه مي‌دهد، اما به‌دليل پيچيدگي بالاتر، دقت مدل‌ها در اين حالت كاهش مي‌يابد. در اين پژوهش، برخلاف اغلب مطالعات گذشته كه ورودي مدل‌ها را به سيگنال خام يا طيف سيگنال محدود كرده‌اند، از ورودي‌هايي از جمله طيف پوش و طيف پوش پيش‌سفيدشده استفاده شده است كه با ماهيت فيزيكي عيب در ياتاقان‌ها هم‌خواني بيشتري دارند و اطلاعات غني‌تري از رفتار سيگنال ارائه مي‌دهند. نتايج به‌دست‌آمده نشان داد كه بهره‌گيري از اين ورودي‌هاي غني‌تر موجب بهبود قابل‌توجه عملكرد مدل‌ها در اين شرايط واقع‌گرايانه‌تر عيب‌يابي شده است. پس از انجام آزمون‌هاي مختلف روي فراپارامترها، مشخص شد مدل 1D-CNN در هر دو مجموعه‌داده عملكرد بهتري نسبت به MLP دارد. در ادامه، يك مدل ساده‌تر مبتني بر كانولوشن يك‌بعدي با ورودي طيف مربع پوش انتخاب شد. اين مدل براي مجموعه‌داده CWRU دقت 00/75 درصد و براي PU دقت 93/73 درصد به‌دست آورد كه از مدل‌هاي پيچيده‌تر قبلي عملكرد بهتري نشان داده است. بررسي كيفيت داده‌ها نشان داد كه حذف داده‌هاي فاقد نشانه‌هاي كلاسيك باعث افزايش چشم‌گير دقت مي‌شود. پس از حذف اين داده‌ها، دقت مدل براي CWRU به 77/99 درصد و براي PU به 03/92 درصد رسيد. همچنين، با تنظيم طول ورودي و افزودن نويز گاوسي به عنوان داده‌افزايي، دقت مجموعه‌داده PU به 6/98 درصد افزايش يافت. بررسي‌ها نشان داد كه مدل‌هاي آموزش‌ديده بر داده‌هاي با نشانه‌هاي كلاسيك، خروجي‌هايي توليد كرده‌اند كه با تحليل‌هاي مبتني بر پردازش سيگنال تطابق مناسبي دارند و با درك فيزيكي از پديده‌ عيب نيز هم‌راستا هستند. در ادامه، يادگيري انتقالي براي بهبود عملكرد در شرايطي كه داده‌هاي هدف فاقد نشانه‌هاي واضح عيب بودند، مورد استفاده قرار گرفت. استفاده از PU به‌عنوان دامنه‌ منبع براي CWRU منجر به افزايش 89/4 درصدي دقت شد، اما استفاده از CWRU يا MFPT براي بهبود عملكرد PU نه‌تنها نتيجه مثبت نداشته است، بلكه موجب افت دقت شد. اين نتايج حاكي از اهميت انتخاب دقيق دامنه‌ منبع و احتمال وقوع يادگيري انتقالي منفي در صورت عدم تطابق ساختاري و آماري داده‌ها هستند. در نهايت، در بررسي اثر رديابي مرتبه براي داده‌ها با سرعت مختلف، مشخص شد كه استفاده از رديابي مرتبه در حالتي كه مجموعه آموزش و تست داراي سرعت‌هاي مختلف باشند، موجب افزايش دقت ميانگين تا 01/13 درصد شده است و نقش مهمي در ارتقاء تعميم‌پذيري مدل‌ها در كاربردهاي صنعتي ايفا مي‌كند.

233399

طراحي كاربردي

مهندسي مكانيك

دانشگاه صنعتي اصفهان