بررسی تطبیقی منطق فازی و شبکه عصبی مصنوعی برای طبقه بندی عیوب بیرینگ

بیرینگ های غلتشی از اجزای حیاتی ماشین آلات دوار هستند و خرابی ناگهانی آن ها می تواند به توقف خط تولید و خسارات اقتصادی قابل توجه منجر شود. این پژوهش یک مطالعه تجربی مقایسه ای میان دو روش هوش مصنوعی - منطق فازی و شبکه عصبی مصنوعی - برای عیب یابی ارتعاشی بیرینگ ارائه می دهد. یک بستر تست اختصاصی طراحی و ساخته شد و سیگنال های ارتعاشی از بیرینگ های NACHI ۲۱۵ فولاد AISI ۲۱۰۰ در پنج وضعیت: سالم، سایش کنس داخلی، لقی کنس داخلی، لقی کنس خارجی و کچلی ساچمه در دو سرعت دورانی ۵۰۰ و ۱۰۰۰ دور بر دقیقه با ۶۵ تکرار برای هر وضعیت ثبت گردید. پس از تبدیل فوریه سریع، ۲۳ ویژگی آماری از طیف های فرکانسی استخراج شد. برای جلوگیری از نشت داده، انتخاب ویژگی با استفاده از معیار بهره اطلاعاتی منحصرا روی داده های آموزش (۷۰%) انجام شد و ۳۰% باقی مانده به عنوان مجموعه تست مستقل نگه داشته شد. دقت طبقه بندی با روش اعتبارسنجی متقابل ۵ تایی تایید گردید. شبکه عصبی پرسپترون چندلایه با ساختار ۵-۱۰-۲۳ به دقت ۹۹.۱۱% در سرعت ۱۰۰۰ دور بر دقیقه دست یافت، در حالی که سیستم استنتاج فازی سوگنو با قوانین استخراج شده از درخت تصمیم (۴۸ قانون) به دقت ۹۶% رسید. نوآوری اصلی این پژوهش ارائه یک رویکرد ویژگی های قابل تفسیر فیزیکی است: ویژگی های منتخب میانگین طیفی (F۱)، انحراف معیار (F۵)، و کشیدگی نرمال شده (F۹) به طور صریح به مکانیزم های تخریب مواد شامل خستگی تماسی غلتشی، سایش خراشان، و خوردگی فرتینگ مرتبط شده اند و پلی میان دنیای پردازش سیگنال و مهندسی مواد ایجاد می کنند.

کلیدواژه ها:

عیب یابی ، بیرینگ ، منطق فازی ، شبکه عصبی مصنوعی ، آنالیز ارتعاشی ، مکانیزم تخریب مواد ، فولاد AISI ۵۲۱۰۰ ، ویژگی های قابل تفسیر