ترکیب تحلیل تصویر اوربیت و تحلیل فرکانسی برای عیب یابی ماشین آلات دوار

ماشین های دوار نقش حیاتی در بسیاری از کاربردهای صنعتی ایفا می کنند، جایی که خرابی های ناگهانی می تواند منجر به توقف های عملیاتی و خسارت های مالی قابل توجهی شود. روش های سنتی عیب یابی که مبتنی بر تفسیر دستی سیگنال های ارتعاش یا اوربیت هستند، زمان بر بوده و به شدت وابسته به دانش و تجربه کارشناسان می باشند. این مقاله یک روش خودکار برای عیب یابی ارائه می دهد که ترکیبی از تحلیل تصویری اوربیت و یادگیری عمیق است. در این پژوهش، اوربیت های مصنوعی شبیه سازی شده که نشان دهنده ی شرایط مختلف عیب شامل نابالانسی، ناهمراستایی، لقی و خرابی بلبرینگ می باشند. علاوه بر داده های تصویری اوربیت، ویژگی های حوزه فرکانس که از تبدیل فوریه سریع استخراج شده اند، برای بهبود عملکرد دسته بندی استفاده شده است. یک شبکه عصبی پیچشی برای استخراج ویژگی های شکل اوربیت و یک شبکه پرسپترون چندلایه برای پردازش ویژگی های عددی طراحی شده است. مدل ترکیبی بر روی مجموعه داده ای متعادل آموزش داده شده و صحت بالایی در تمامی دسته بندی های عیب به دست آورده است. نتایج نشان می دهد که ترکیب داده های تصویری و ویژگی های فرکانسی به طور قابل توجهی توانایی تفکیک عیب ها را بهبود می بخشد. اعتبارسنجی با استفاده از مجموعه تست های مستقل انجام شده و توانایی تعمیم بالای روش پیشنهادی را تایید می کند. این روش ابزاری قابل اعتماد و کارآمد برای پایش سلامت و عیب یابی بلادرنگ ماشین های دوار فراهم می کند.

کلیدواژه ها:

ماشین های دوار ، عیب یابی ارتعاشی ، اوربیت شفت ، یادگیری عمیق ، تحلیل فرکانسی ، شبکه عصبی پیچشی