سیستم هوشمند پایش وضعیت بلبرینگ با استفاده از طیفنگاره صوتی جهت طبقهبندی و تشخیص خطای بلبرینگ ها

مشکلات در بلبرینگ های کی از دلیل اصلی خرابی در ماشین آلت دوار هستند. بنابراین، تقاضای فزاینده ای برای تشخیص خرابی بلبرینگ ها به منظور جلوگیری از خرابی در ماشین آلت دوار وجود دارد. اگرچه مطالعاتی در زمینه تشخیص خرابی بلبرینگ ها با استفاده از اندازه گیری دما و مانیتورینگ ارتعاشات انجام شده است، عموما این روش ها محدودیت هایی دارند. بنابراین، بسیاری از محققان به مطالعه مانیتورینگ صوت برای تشخیص خرابی بلبرینگ ها پرداخته اند. در این میان این روش ها، ضریب کپسترال فرکانس های مل (MFCCs)، طیفنگارهای صوتی و شبکه های عصبی پیچشی دو بعدی (CNNs) توجه زیادی را در طرح های مانیتورینگ ارتعاش و صوت به خود جلب کرده اند. این در حالی است که، MFCC در مطالعات موجود نیاز به نرخ نمونه برداری بالا و استفاده از باند فرکانسی وسیع دارد. در این مطالعه، فرآیند طیفنگاری با تاکید بر ویژگی های فرکانسی و حذف نویزهای مختلف با استفاده از فیلترهای فرکانسی و همچنین شبکه عصبی CNN برای حل این مشکلات پیشنهاد شده است. فرآیند طیفنگاری صوتی با باند فرکانسی را تحلیل کرده و تصاویر با وضوح پایین تولید می کند. CNN بهینه سازی شده با لایه های پیچشی و تماما متصل طراحی شده است. نتایج تجربی دقت ۰.۹۹۸۸ را برای سیستم پیشنهادی نشان دادند. مدل CNN بهینه سازی شده دارای پارامترهای ۶۲۲.۷۷ کیلوبایت و FLOPs برابر با ۱.۷۴ × ۱۰^۶ است. نشان داده شده است که سیستم تشخیص خرابی بلبرینگ پیشنهادی می تواند با پیچیدگی کم به دقت بالایی ابتدا. بنابراین، ما یک طرح تشخیص خرابی بلبرینگ را پیشنهاد می کنیم که قابل استفاده در نرخ نمونه برداری پایین و فرکانس چرخشی متغیر است.

کلیدواژه ها:

عیب یابی ، طبقه بندی ، هوش مصنوعی ، شبکه عصبی پیچشی ، بلبرینگ