تشخیص خرابی یاتاقان شعاعی شفت دوار با استفاده از طبقه بندی توسط طیف نگار صوتی و شبکه عصبی پیچشی

خرابی یاتاقان ها یکی از عوامل اصلی ازکارافتادگی در تجهیزات دوار محسوب می شود. ازاین رو، نیاز به روش های موثر برای شناسایی به موقع عیوب یاتاقان ها با هدف جلوگیری از خرابی های ناگهانی ماشین آلات، به طور فزاینده ای در حال افزایش است. مطالعات پیشین، روش هایی همچون اندازه گیری دما و پایش ارتعاشات را برای تشخیص خرابی مورد بررسی قرار داده اند، اما این رویکردها به دلیل حساسیت بالا به نویز، با محدودیت هایی مواجه اند. در نتیجه، پژوهشگران به بهره گیری از تحلیل سیگنال های صوتی روی آورده اند. در میان روش های نوین، ضرایب کپسترال فرکانس مل، طیف نگارهای صوتی، و شبکه های عصبی پیچشی دوبعدی، توجه زیادی را به خود جلب کرده اند. بااین حال، روش های مبتنی بر ضرایب کپسترال فرکانس مل به نرخ نمونه برداری بالا و پهنای باند فرکانسی گسترده ای نیاز دارند. در این پژوهش، روشی مبتنی بر طیف نگاری پیشنهاد شده است که تمرکز بر استخراج ویژگی های فرکانسی و کاهش نویز از طریق فیلترگذاری و مدل سازی خرابی توسط یک شبکه عصبی پیچشی بهینه شده متصل دارد. در این روش، ابتدا طیف نگاری با تمرکز بر یک باند فرکانسی باریک، تصاویر با وضوح پایین تولید می کند. این تصاویر توسط یک شبکه عصبی پیچشی شامل لایه های کانولوشنی و لایه های کاملا متصل پردازش می شوند. نتایج آزمایش ها نشان می دهند که سیستم پیشنهادی بادقت ۸۸/۹۹% و پیچیدگی محاسباتی کاهش یافته، عملکرد قابل توجهی دارد. شبکه عصبی بهینه شده دارای ۷۷/۶۲۲ کیلوبایت پارامتر و ۱۰۶×۵۳/۱ عملیات ممیز شناور در ثانیه است. این سامانه تشخیص خرابی حتی در شرایط متغیر سرعت دوران و نرخ نمونه برداری پایین نیز عملکرد موثری از خود نشان می دهد.

کلیدواژه ها:

عیب یابی ، طبقه بندی ، یادگیری ماشین ، شبکه عصبی پیچشی ، یاتاقان شعاعی