پیش بینی خرابی و عمر باقیمانده قطعات دوار با یادگیری ماشین مبتنی بر دینامیک ارتعاشی

قطعات دوار نظیر یاتاقان ها، شفت ها، چرخ دنده ها و موتورهای الکتریکی از اجزای حیاتی در سامانه های صنعتی به شمار می روند و خرابی آن ها می تواند منجر به توقف های ناخواسته، افزایش هزینه های تعمیر و نگهداری و کاهش ایمنی سیستم شود. در سال های اخیر، رویکردهای سنتی نگهداری مبتنی بر زمان یا واکنشی جای خود را به راهبردهای نگهداری پیش بینانه داده اند که هدف آن ها تشخیص زودهنگام خرابی و پیش بینی عمر باقیمانده قطعات است. از میان روش های مختلف پایش وضعیت، تحلیل ارتعاشات به دلیل حساسیت بالا به تغییرات دینامیکی و قابلیت شناسایی انواع عیوب مکانیکی، جایگاه ویژه ای دارد. هم زمان با پیشرفت یادگیری ماشین، امکان استخراج الگوهای پیچیده از سیگنال های ارتعاشی و مدل سازی رفتار غیرخطی خرابی فراهم شده است. این مقاله به بررسی پیش بینی خرابی و برآورد عمر باقیمانده قطعات دوار با استفاده از الگوریتم های یادگیری ماشین مبتنی بر دینامیک ارتعاشی می پردازد و نشان می دهد که چگونه ادغام داده های ارتعاشی با مدل های هوشمند می تواند دقت تصمیم گیری های نگهداری را به طور معناداری افزایش دهد.

کلیدواژه ها:

پایش وضعیت ، قطعات دوار ، تحلیل ارتعاشات ، یادگیری ماشین ، پیش بینی خرابی ، عمر باقیمانده (RUL)