تشخیص عیب در آسیاب های گلوله ای با استفاده از شبکه های عصبی پیچشی یک بعدی

یکی از تکنیک های پرکاربرد برای نظارت و پایش ماشین آلات صنعتی ارتعاش سنجی است. امروزه تشخیص خطا در داده های سری زمانی برای کاربردهای صنعتی در حال افزایش است. روش های سنتی به طور کلی نیاز به تکنیک های پیش پردازش و استخراج ویژگی، قبل از آموزش دارند. با وجود تعدد حسگرها و جهت های نمونه برداری، این کار بسیار وقت گیر می شود. اخیرا، روش های یادگیری عمیق نتایج مطلوبی را در داده های سری زمانی نشان داده اند. این مقاله یک شبکه عصبی پیچشی یک بعدی چند کاناله را برای شناسایی عیوب یک آسیاب گلوله ای با استفاده از سیگنال های نمونه برداری شده از شتاب دو نقطه ابتدا و انتهای پینیون متصل به موتور آسیاب، در سه جهت افقی، عمودی و محوری با دو فرکانس مختلف (دوازده سیگنال در هر نمونه برداری)، پیشنهاد می کند. در این تحقیق داده ها واقعی هستند و طی شش سال از یک آسیاب گلوله ای نمونه برداری شده اند که حاوی چهار نوع عیب و یک حالت نرمال، جمعا دارای پنج برچسب کلاس می باشند. نتایج نشان می دهد که معماری پیشنهادی برای تشخیص عیوب با استفاده از سری های زمانی ارتعاش بسیار دقیق است. از آنجا که داده های استفاده شده و برچسب آنها واقعی است، این نتایج برای استفاده شبکه پیشنهادی در کاربردهای واقعی مشابه بسیار امیدوار کننده است.