تشخیص عیوب موتور از طریق پردازش صدا و ارتعاشات با استفاده از شبکه عصبی: استفاده از هوش مصنوعی برای “گوش دادن” به صدای موتور و تشخیص محل دقیق نقص فنی.
سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 6
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSEMCONF02_1710
تاریخ نمایه سازی: 10 مرداد 1405
چکیده مقاله:
تشخیص به موقع و دقیق عیوب موتورهای احتراق داخلی و الکتریکی، نقشی حیاتی در افزایش قابلیت اطمینان، کاهش هزینه های نگهداری و تعمیرات، و بهبود ایمنی و عملکرد این سیستم های پیچیده ایفا می کند. روش های تشخیص سنتی که عمدتا مبتنی بر بازرسی های دوره ای و قضاوت انسانی هستند، با چالش هایی نظیر وابستگی به تجربه اپراتور، زمان بر بودن، و ناتوانی در تشخیص عیوب پنهان و زودرس مواجه اند. در سال های اخیر، پیشرفت های چشمگیر در حوزه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، افق های جدیدی را در عرصه تشخیص عیوب مبتنی بر داده گشوده است. این مقاله به بررسی جامع روش های تشخیص عیوب موتور بر اساس پردازش سیگنال های صوتی و ارتعاشی با استفاده از شبکه های عصبی می پردازد. رویکردهای مبتنی بر صدا و ارتعاش، به عنوان روش های غیرمخرب و کم هزینه، امکان پایش مداوم وضعیت موتور را در حین کارکرد عادی فراهم می آورند. شبکه های عصبی مصنوعی، به ویژه شبکه های عصبی کانولوشنی، با قابلیت یادگیری خودکار الگوهای پیچیده و غیرخطی از داده های خام، عملکرد برتری در طبقه بندی عیوب و تشخیص محل دقیق نقص فنی از خود نشان داده اند. پژوهش های اخیر نشان می دهد که ترکیب اطلاعات حاصل از سیگنال های صوتی و ارتعاشی در یک چارچوب چندوجهی، دقت تشخیص را به طور قابل توجهی افزایش می دهد و به دقت هایی بالاتر از ۹۵ درصد در تشخیص عیوب مختلف دست یافته است. با این حال، چالش هایی نظیر وجود نویز پس زمینه، تغییرات شرایط کارکرد، کمبود داده های آموزشی برای عیوب نادر، و تفسیرپذیری محدود مدل های عمیق، همچنان موانعی بر سر راه پیاده سازی گسترده این روش ها در کاربردهای صنعتی محسوب می شوند. مقاله با ارائه تحلیلی جامع از پیشینه تحقیق، روش های استخراج ویژگی، معماری های شبکه های عصبی، استراتژی های هم افزایی داده های چندوجهی، و چشم اندازهای آینده، به این نتیجه می رسد که استفاده از هوش مصنوعی برای "گوش دادن" به صدای موتور، مسیری امیدوارکننده برای تحول در حوزه نگهداری پیش بینی کننده و تشخیص هوشمند عیوب در صنایع خودروسازی، هوافضا و نیروگاهی است.
کلیدواژه ها:
تشخیص عیوب موتور ، پردازش سیگنال صوتی ، پردازش سیگنال ارتعاشی ، شبکه های عصبی ، یادگیری عمیق ، شبکه های عصبی کانولوشنی ، هم افزایی چندوجهی ، نگهداری پیش بینی کننده
نویسندگان
میثم عبداله زاده سنگرودی
لیسانس مهندسی تکنولوژی مکانیک خودرو
مصطفی نعمتی منشور
لیسانس مهندسی تکنولوژی مکانیک خودرو