چکیده 

تجزیه و تحلیل ارتعاشات ماشینآلات دوار میتواند وضعیت عیوب بالقوه مانند نابالانسی ،ناهمراستایی، محور خم، ترک محور، لقی بیرینگ ، مالش روتور، لقی، غلغله و شلاق روغن و سایر عیوب را نشان دهد. تشخیص عیوب روتور در سالهای اخیر دارای اهمیت شده است. مقالات بسیاری چاپ شده که با عیوب تکی کار کردهاند، اما معمولاً، بیش از یک عیب میتواند در روتور رخ دهد.  این پژوهش کاربرد شبکه عصبی مصنوعی و تبدیل موجک برای پیشبینی اثر عیوب ترکیبی نابالانسی و ناهمراستایی بر روی اجزای فرکانسی سیگنالهای ارتعاشی ماشینآلات دوار را شرح میدهد. اجزای فرکانسی بدست آمده از تقریب تبدیل موجک سیگنالهای ارتعاشی، به عنوان ورودی به شبکه عصبی استفاده میشود. روش تبدیل موجک قادر است لحظه به لحظهی اجزای فرکانسی مختلف در سراسر طیف را رصد و از سیگنال نویزگیری نماید. روش جدید، تبدیل موجک و شبکه عصبی مصنوعی را برای تشخیص عیوب ترکیب مینماید. شبکه عصبی مصنوعی استفاده شده متشکل از یک لایه ورودی و یک لایه مخفی و یک لایه خروجی است. شبکه با الگوریتم پیشرو پسانتشار لونبرگ-مارکوارت آموزش دیده است. واضح است که الگوریتم لونبرگ- مارکوارت بسیار کارآمد تر از روشهای دیگر است. شبکهی عصبی مصنوعی برای تشخیص و طبقهبندی 36 حالت از ترکیب این عیوب استفاده شد. میزان موفقیت بر اساس هر 36 حالت از دو عیب گزارش شده است. این روش با موفقیت برای

36 حالت از ترکیب دو عیب با کارآیی 99.9٪ تست شده است. و تمام 36 حالت تشخیص داده شدند.

کلمات کلیدی: نابالانسی، ناهمراستایی موازی، عیوب ترکیبی، تبدیل موجک، شبکه عصبی مصنوعی.

                                         فهرست مطالب 

عنوان                                                                                                                          صفحه

چکیده…………………………………………………………………………………………………………………………………………………..آ

فهرست مطالب……………………………………………………………………………………………………………………………………..ب

فهرست جداول………………………………………………………………………………………………………………………………………ج

فهرست شکل ها…………………………………………………………………………………………………………………………………….د

فهرست علائم و اختصارت………………………………………………………………………………………………………………………..ه

مروری بر روش های عیب یابی مبنی بر ارتعاشات

مروری بر روش های عیب یابی مبنی بر ارتعاشات

فصل اول

 طرح مسأله    1

1-1- مقدمه…………………………………………………………………………………………………………………………………… 1

در این فصل ابتدا دربارهی ضرورت پایش ماشینآلات، روشهای پایش و نقش آنالیز ارتعاشات در پایش ماشینآلات مطالبی بیان میشود. در ادامه به معرفی عیوب عمدهی نابالانسی و ناهمراستایی پرداخته میشود و تاریخچهی تحقیقات انجام شده پیرامون این دو عیب بیان خواهند شد. در نهایت اهداف و فرضیات این پژوهش ذکر میشوند.

1-2-  پایش و عیب یابی ماشین آلات………………………………………………………………………………………………………. 2

میزان افزایش سرمایه گذاری بر روی ماشین آلات صنعتی و اتوماسیون از یکسو و افزایش ارزش مالی و اقتصادی آن ها از سویی دیگر منجر به آن شد که مدیران و صاحبان صنایع به فکر راه کارهایی منطقی  برای افزایش طول عمر مفید تجهیزات خطوط تولید و طولانی کردن عمر آن ها باشند.

عمر یک ماشین، از منحنی وانی پیروی می کند (شکل1-1). معمولاً، افزایش شدت ارتعاشات در یک ماشین، به معنای خرابی ماشین است. در دوره ی آب بندی، میزان خرابی ماشین زیاد است ولی روندی کاهشی دارد. سپس در دوره ی کارکرد عادی، تقریباً ثابت میماند و سرانجام در دوره ی فرسایش، به شدت افزایش می یابد. در زیر سه روش برای تعمیر و نگهداری ماشین آلات آورده شده  است:

1-روش کارکرد تا خرابی : در این روش پس از خرابی کامل ماشین، از یک ماشین جدید استفاده می کنند. این روش در مواردی به کار می رود که قیمت ماشین زیاد نیست و خرابی آن باعث بروز مشکلات ایمنی وآسیب دیدگی سایر ماشین ها نمی شود.

2-روش پیشگیرانه: در این روش، ماشین در بازه های زمانی معین (مثلاً در هر 3000 ساعت یا سالی یک بار) تعمیر می شود. این بازه معمولاً از تجربیات آماری گذشته به دست می آید. در این روش ،گرچه احتمال خرابی های غیر قابل پیش بینی کاهش می یابد، اما کاهش تولید، خطر ایجاد نقص های اضافی هنگام تعمیر و احتمال خرابی قطعات جدید (که جایگزین قطعات فرسوده شدهاند)، از عواملی هستند که کاربرد روش مذکور را محدود میکنند.

3-روش پایش وضعیت: در این روش، به جای این که ماشین برای تعمیر متوقف شود، با بررسی وضعیت آن با استفاده از ابزار های مخصوص می توان به تغییرات شرایط عادی ماشین و شروع خرابی آن پی برد که به این روش پایش یا مراقبت وضعیت می گویند. روش های مختلف عملیاتی برای پایش ماشین ها عبارتند از تحلیل ارتعاشات، تحلیل روغن (ذرات فرسایشی)، تحلیل جریان الکتریکی، تحلیل صدا و غیره .

یکی از کارآمدترین روش های پایش، تحلیل ارتعاشات ماشین است. این ارتعاشات براثر نامیزانی ،فرسایش یا خرابی بعضی قطعات به وجود می آید[1]. مراحل تحلیل ارتعاشی و تشخیص عیب یک سیستم به طور کلی نخستین گام از دو گام کلی حل هر مسئله ارتعاشی است؛

گام اول، یک فرایند سه قسمتی است:

داده برداری 2- انتقال داده ها به رایانه    3-  پردازش و تحلیل داده ها و عیب یابی

گام کلی دوم انجام یک عمل چاره ساز است که معمولاً پس از درک علت، اجرا می شود.

1-داده برداری: کار جمع آوری داده ها به وسیله ی ابزارهای قابل حمل و حسگرهای مختلف از جمله انواع سرعت سنج ها و شتاب سنج های پیزوالکتریک است که در شکل (1-2) برخی از آن ها نشان داده شده اند.

  • انتقال داده ها به رایانه: انتقال داده ها توسط ابزارهای واسطه ای مناسب به یک سیستم سخت افزاری مانند رایانه های قابل حمل انجام می شود تا به وسیله ی نرم افزارهای موجود، پردازش شده و به اطلاعات معنی دار تبدیل شوند.

1-3-  عیوب عمده ماشین آلات………………………………………………………………………………………………………………6

1-4-  پیشینه کارهای انجام شده در مورد عیوب نابالانسی و ناهمراستایی………………………………………………………….9

1-5-  اهداف اصلی پژوهش………………………………………………………………………………………………………………….21

‫ﻫﯿﭻ ﯾﮏ از ﮐﺎرﻫﺎﯾﯽ ﮐﻪ ﻣﺮور ﺷﺪ ﻋﯿﻮب ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ ﻣﻮازی و ﻧﺎﺑﺎﻻﻧﺴﯽ را ﺑﻪ ﺻﻮرت ﺗﺮﮐﯿﺒﯽ در ‫ﯾﮏ ﻧﻤﻮﻧﻪ آزﻣﺎﯾﺸﮕﺎﻫﯽ ﻣﺪﻟﺴﺎزی ﻧﮑﺮدهاﻧﺪ و اﯾﻦ دﻏﺪﻏﻪ ﮐﻪ ﻋﯿﻮب در ﺣﺎﻟﺖ واﻗﻌﯽ ﻫﻤﻮاره ﺑﻪ ﺻﻮرت ‫ﺗﺮﮐﯿﺒﯽ در ﻣﺎﺷﯿﻦ آﻻت وﺟﻮد دارﻧﺪ ﺑﺎﻋﺚ ﺷﺪ ﺗﺎ ﺑﺮای ﺗﺸﺨﯿﺺ و ﺗﻔﮑﯿﮏ ﻣﯿﺰان ﻋﯿﻮب ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ ‫ﻣﻮازی و ﻧﺎﺑﺎﻻﻧﺴﯽ در ﯾﮏ ﻧﻤﻮﻧﻪ آزﻣﺎﯾﺸﮕﺎﻫﯽ اﻗﺪام ﺷﻮد. در اﯾﻦ ﭘﺮوژه، ﻋﯿﻮب ﻧﺎﺑﺎﻻﻧﺴﯽ و ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ ﻣﻮازی ﺑﻪ ﺻﻮرت ﺗﺮﮐﯿﺒﯽ در ﻣﻘﺎدﯾﺮ ﻣﻌﯿﻨﯽ در ﯾﮏ دﺳﺘﮕﺎه ﺷﺒﯿﻪ ﺳﺎز ﻋﯿﻮب اﯾﺠﺎد ﮔﺮدﯾﺪ. ﺳﭙﺲ ﺑﺎ ‫اﺳﺘﻔﺎده از ﺗﺒﺪﯾﻞ ﻣﻮﺟﮏ ﻣﺸﺨﺼﻪﻫﺎی ﻫﺮ ﻣﯿﺰان از ﻋﯿﻮب ﺑﻪ ﺻﻮرت ورودی ﺑﻪ ﺷﺒﮑﻪ ﻋﺼﺒﯽ داده ﺷﺪ و ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺎ ﮐﺎراﯾﯽ ﺻﺪدرﺻﺪ ﻣﯿﺰان ﻋﯿﻮب را در ﻣﻘﺎدﯾﺮ ﻣﻌﯿﻦ داده ﺷﺪه، ﺗﺸﺨﯿﺺ داده و ﺑﺪﯾﻦ ‫ﺗﺮﺗﯿﺐ ﻣﻘﺎدﯾﺮ ﻣﺨﺘﻠﻒ ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ و ﻧﺎﺑﺎﻻﻧﺴﯽ را ﺗﻔﮑﯿﮏ ﻧﻤﻮد. ﺑﻨﺎﺑﺮاﯾﻦ اﻫﺪاف ﺗﺮﺗﯿﺒﯽ زﯾﺮ ﺑﺮای اﯾﻦ ﭘﺮوژه ﺗﻌﯿﯿﻦ ﮔﺮدﯾﺪﻧﺪ.

1-6- فرضیه های پژوهش……………………………………………………………………………………………………………22

انواع سیگنال

انواع سیگنال

فصل دوم روشهای پردازش سیگنال 

2-1-  مقدمه…………………………………………………………………………………………………………………………..25

ﺳﯿﮕﻨﺎلﻫﺎی ارﺗﻌﺎﺷﯽ ﺧﺎم ﺑﺮای ﺗﺤﻠﯿﻞ ﺑﺴﯿﺎر ﭘﯿﭽﯿﺪهاﻧﺪ و ﺑﺮای اﯾﻨﮑﻪ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﺑﮕﯿﺮﻧﺪ و اﻃﻼﻋﺎت آﻧﻬﺎ ﺑﻪ زﺑﺎن ﻗﺎﺑﻞ ﻓﻬﻤﯽ در آﯾﺪ، آﻧﻬﺎ را ﭘﺮدازش ﻣﯽ ﻧﻤﺎﯾﻨﺪ. اﯾﻦ ﻋﻤﻞ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﯾﻼت رﯾﺎﺿﯽ ﺻﻮرت ﻣﯽﮔﯿﺮد. در اﯾﻦ ﻓﺼﻞ اﻧﻮاع ﭘﺮدازشﻫﺎ و وﯾﮋﮔﯽﻫﺎ و ﺣﻮزهﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺤﻠﯿﻞ و ﭘﺮدازش ﺳﯿﮕﻨﺎل ﻣﻌﺮﻓﯽ و ﺑﺮرﺳﯽ ﻣﯽﺷﻮﻧﺪ

2-2-  استخراج سیگنالهای ارتعاشی………………………………………………………………………………………………25

2-3-  انواع سیگنال…………………………………………………………………………………………………………………..27

2-3-1- مشخصه های سیگنال متناوب……………………………………………………………………………………………30

‫در ﺗﺤﻠﯿﻞ ارﺗﻌﺎﺷﯽ ﺑﺎ ﺳﻪ ﻧﻮع ﺳﯿﮕﻨﺎل ﻣﺘﻨﺎوب، ﮔﺬرا و ﺗﺼﺎدﻓﯽ ﺑﺮﺧﻮرد ﻣﯽﮐﻨﯿﻢ. ﺳﯿﮕﻨﺎلﻫﺎی‫ ﻣﺘﻨﺎوب ﺑﺎ زﻣﺎن ﺗﻨﺎوب ‪ ﺗﮑﺮار ﻣﯽﺷﻮﻧﺪ؛ ﺳﯿﮕﻨﺎلﻫﺎی ﮔﺬرا در ﯾﮏ ﺑﺎزهی زﻣﺎﻧﯽ ﻧﺴﺒﺘﺎً ﮐﻮﺗﺎه ﺗﻐﯿﯿﺮات دارﻧﺪ و در زﻣﺎنﻫﺎی دﯾﮕﺮ ﻣﻘﺪارﺷﺎن ﺻﻔﺮ اﺳﺖ و ﺳﯿﮕﻨﺎلﻫﺎی ﺗﺼﺎدﻓﯽ ﺣﺎوی ﺗﻤﺎﻣﯽ ﻓﺮﮐﺎﻧﺲﻫﺎ ﺑﺎ ﻓﺎز  ‫ﺗﺼﺎدﻓﯽ ﻫﺴﺘﻨﺪ. در اﯾﻦ ﺟﺎ ﻓﻘﻂ ﻣﺸﺨﺼﻪﻫﺎی ﺳﯿﮕﻨﺎل ﻣﺘﻨﺎوب ﺑﺮرﺳﯽ ﻣﯽﺷﻮد و ﺑﺮای ﻣﻄﺎﻟﻌﻪ ﺑﯿﺸﺘﺮدر ﻣﻮرد ﺳﯿﮕﻨﺎلﻫﺎی دﯾﮕﺮ ﻣﯽﺗﻮان ﺑﻪ ﻣﺮﺟﻊ [42] ﻣﺮاﺟﻌﻪ ﮐﺮد.

2-4- سیگنال حوزه زمانی(سیگنال خام)…………………………………………………………………………………………33

2-4-1- روشهای تحلیل در حوزه زمانی…………………………………………………………………………………………..34

2-5-  روشهای پردازش سیگنال در حوزه زمان…………………………………………………………………………………..38

2-5-1- وزن دهی……………………………………………………………………………………………………………………38

2-5-2- میانگین گیری مجموعه های زمانی……………………………………………………………………………………..39

2-5-3- پردازش پاکتی سیگنال…………………………………………………………………………………………………….40

2-6- مبانی تحلیل در حوزه فرکانسی….. ……………………………………………………………………………………….41

2-6-1- تحلیل فوریه………. ………………………………………………………………………………………………………44

6-2- پدیده الیازینگ……………………………………………………………………………………………………………….49

2-6-3- قضیه نمونه گیری………………………………………………………………………………………………………….51

2-6-4- فیلتر ضد الیازینگ………………………………………………………………………………………………………….54

‫ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺷﮑﻞ (2-41) ﻣﺸﺨﺺ اﺳﺖ، اﮔﺮ ﺳﯿﮕﻨﺎل اﺻﻠﯽ را در ﯾﮏ ﻓﺮﮐﺎﻧﺲ ﻗﻄﻌﯽ ﺑﺮاﺑﺮ ﺑﺎ ‫ﻓﺮﮐﺎﻧﺲ ﻣﻌﯿﺎر ﻧﺎﯾﮑﻮﯾﺴﺖ ﻓﯿﻠﺘﺮ ﭘﺎﯾﯿﻦ ﮔﺬر ﮐﻨﯿﻢ، آن ﮔﺎه ﺑﻪ ﺧﺎﻃﺮ ﻧﻤﻮﻧﻪ ﺑﺮداری ﭘﺪﯾﺪهی اﻟﯿﺎزﯾﻨﮓ اﺗﻔﺎق ‫ﻧﻤﯽاﻓﺘﺪ. اﯾﻦ ﻧﻮع ﻓﯿﻠﺘﺮﻫﺎ را ﻓﯿﻠﺘﺮ ﺿﺪ اﻟﯿﺎزﯾﻨﮓ ﻣﯽﮔﻮﯾﻨﺪ. در ﻋﻤﻞ ﯾﮏ ﻓﯿﻠﺘﺮاﺳﯿﻮن ﮐﺎﻣﻞ اﻣﮑﺎن ﭘﺬﯾﺮ ‫ﻧﯿﺴﺖ. از اﯾﻦ رو ﺑﻌﻀﯽ از اﻟﯿﺎزﯾﻨﮓﻫﺎ ﺣﺘﯽ ﺑﻌﺪ از اﺳﺘﻔﺎده از ﻓﯿﻠﺘﺮ ﺿﺪ اﻟﯿﺎزﯾﻨﮓ، ﺑﺎﻗﯽ ﻣﯽﻣﺎﻧﻨﺪ. اﯾﻦ ‫ﻧﻮع ﺧﻄﺎﻫﺎی ﺑﺎﻗﯽ ﻣﺎﻧﺪه را ﺷﺎﯾﺪ ﺑﺘﻮان ﺑﺎ ﻓﯿﻠﺘﺮ ﮐﺮدن در ﻓﺮﮐﺎﻧﺲ ﻗﻄﻊ ﮐﻤﺘﺮ از ﻓﺮﮐﺎﻧﺲ ﻧﺎﯾﮑﻮﯾﺴﺖ ‫ﮐﺎﻫﺶ داد.

2-6-5- مبدلهای آنالوگ به دیجیتال………………………………………………………………………………………………..54

2-7-  پردازش سیگنال در حوزه فرکانسی ……………………………………………………………………………………….56

2-7-1-تبدیل فوریه سریع………………………………………………………………………………………………………………56

2-7-2-میانگین گیری طیفی………………………………………………………………………………………………………….57

2-7-3-نقشه های طیفی(دیاگرام آبشاری)……………………………………………………………………………………..58

2-7-4-دیاگرام کمپل…………………………………………………………………………………………………………………..60

‫دﯾﺎﮔﺮام ﮐﻤﭙﻞ ﻫﻤﺎن اﻃﻼﻋﺎت دﯾﮕﺮام آﺑﺸﺎری را ﺑﻪ ﺷﮑﻞ دﯾﮕﺮی رﺳﻢ ﻣﯽﮐﻨﺪ. ﺳﺮﻋﺖ ﻣﺎﺷﯿﻦ در‫واﺣﺪ ‪ rpmﺑﺮ روی ﻣﺤﻮر اﻓﻘﯽ و ﻓﺮﮐﺎﻧﺲ در واﺣﺪ ﻫﺮﺗﺰ ﺑﺮ روی ﻣﺤﻮر ﻋﻤﻮدی رﺳﻢ ﻣﯽﺷﻮد. دﺳﺘﻪی  ﻫﺎرﻣﻮﻧﯿﮏﻫﺎ ﺑﻪ ﺷﮑﻞ ﺧﻂ ﭼﯿﻦ از اﻧﺘﻬﺎی ﺳﻤﺖ ﭼﭗ ﻧﻤﻮدار رﺳﻢ ﻣﯽﺷﻮﻧﺪ. ﺗﺸﺪﯾﺪﻫﺎ ﺑﻪ وﺳﯿﻠﻪی ﯾﮏ ﺳﺮی ﮐﺪﻫﺎﯾﯽ رﺳﻢ ﻣﯽﺷﻮﻧﺪ، ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﻪ ﺷﮑﻞ ﭼﮕﺎﻟﯽ ﯾﺎ رﻧﮓﻫﺎی ﻣﺨﺘﻠﻒ و ﯾﺎ ﻫﻤﺎن ﻃﻮر ﮐﻪ در ‫ﺷﮑﻞ (2-81) ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد ﺑﻪ وﺳﯿﻠﻪی دواﯾﺮی ﮐﻪ ﻗﻄﺮ آنﻫﺎ ﺑﯿﺎن ﮐﻨﻨﺪهی ﻣﻘﺪار داﻣﻨﻪی ﺗﺸﺪﯾﺪ ‫اﺳﺖ[92].

2-8-تحلیل در حوزه سپستروم………………………………………………………………………………………………………….60

2-8-1-تعریف و روش محاسبه………………………………………………………………………………………………………………60

2-8-2-کاربرد سپستروم درعیب یابی ماشین آلات……………………………………………………………………………………..62

2-9-تحلیل در حوزه زمان- فرکانس…………………………………………………………………………………………………….63

‫در ﻣﻄﺎﻟﻌﺎت اوﻟﯿﻪ، ﺗﺤﻠﯿﻞ ﻓﻮرﯾﻪ ﯾﮏ اﺑﺰار ﺗﺤﻠﯿﻠﯽ ﻏﺎﻟﺐ ﺑﺮای ﺑﺮرﺳﯽ ﻋﯿﻮب ﻣﺎﺷﯿﻦ آﻻت و اﺟﺰای ‫آن ﺑﻮد وﻟﯽ ﺳﯿﮕﻨﺎلﻫﺎﯾﯽ ﮐﻪ در اﯾﻦ ﺣﻮزه ﺗﺤﻠﯿﻞ ﻣﯽﺷﻮﻧﺪ ﺑﺎﯾﺪ ﻣﺘﻨﺎوب ﯾﺎ ﺑﺪون ﺗﻐﯿﯿﺮ ﺑﺎﺷﻨﺪ. ‫ﺳﯿﮕﻨﺎلﻫﺎی ارﺗﻌﺎﺷﯽ اﻏﻠﺐ ﻣﺘﻐﯿﺮ و ﻏﯿﺮ اﯾﺴﺘﺎ ﻫﺴﺘﻨﺪ و از اﻃﻼﻋﺎت ﻓﺮﮐﺎﻧﺴﯽ آﻧﻬﺎ ﻧﻤﯽﺗﻮان ﺗﻔﺴﯿﺮ ‫ﺧﻮﺑﯽ از ﻧﻮع و ﻣﺤﻞ و زﻣﺎن ﻋﯿﺐ داﺷﺖ، ﯾﺎ ﺑﻪ ﮔﻮﻧﻪای ﺗﻐﯿﯿﺮ ﻣﯽﮐﻨﻨﺪ ﮐﻪ ﻧﯿﺎز ﺑﻪ ﭘﺮدازشﻫﺎی ﻏﯿﺮ ‫ﺧﻄﯽ دارﻧﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺮای ﺳﯿﮕﻨﺎلﻫﺎی ﺗﺼﺎدﻓﯽ ﻣﺜﻞ زﻣﯿﻦ ﻟﺮزه و ﻫﻤﭽﻨﯿﻦ ﺳﯿﮕﻨﺎلﻫﺎی ﮔﺬرا ‫ﻣﺜﻞ روﺗﻮر ﺳﺮﻋﺖ ﻣﺘﻐﯿﺮ ﺑﺮای ﻣﺎ زﻣﺎن وﻗﻮع ﻋﯿﻮب ﻫﻢ اﻫﻤﯿﺖ دارد از اﯾﻦ رو ﺗﺤﻠﯿﻞ ﻓﻮرﯾﻪ اﻏﻠﺐ ﻧﻤﯽ- ‫ﺗﻮاﻧﺪ ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ ﺗﺸﺨﯿﺺ ﻋﯿﻮب را ﭘﻮﺷﺶ دﻫﺪ. ﺑﻨﺎﺑﺮ اﯾﻦ ﺑﺎﯾﺪ از ﺗﺤﻠﯿﻞﻫﺎی ﺣﺎوی زﻣﺎن و ﻓﺮﮐﺎﻧﺲ ‫ﺑﻪ ﺻﻮرت ﺗﻠﻔﯿﻘﯽ اﺳﺘﻔﺎده ﺷﻮد. ﺑﻪ ﻋﺒﺎرﺗﯽ دﯾﮕﺮ روش ﺗﺤﻠﯿﻞ زﻣﺎن – ﻓﺮﮐﺎﻧﺲ ﻣﯽﺗﻮاﻧﺪ ﻫﺮ دو اﻃﻼﻋﺎت ‫زﻣﺎن و ﻓﺮﮐﺎﻧﺲ ﯾﮏ ﺳﯿﮕﻨﺎل ﯾﮏ ﺑﻌﺪی را ﺑﺮ روی ﯾﮏ ﻧﻘﺸﻪی دو ﺑﻌﺪی زﻣﺎن – ﻓﺮﮐﺎﻧﺲ ﭘﯿﺎدهﺳﺎزی ﮐﻨﺪ. روشﻫﺎی ﻣﺘﻌﺪدی وﺟﻮد دارﻧﺪ ﮐﻪ در ﺣﻮزه زﻣﺎن – ﻓﺮﮐﺎﻧﺲ ﺳﯿﮕﻨﺎلﻫﺎ را ﺑﺮرﺳﯽ ﻣﯽﮐﻨﻨﺪ ﮐﻪ ﺑﻌﻀﯽ از آﻧﻬﺎ را ﺑﻪ اﺧﺘﺼﺎر ﺷﺮح ﻣﯽدﻫﯿﻢ.

2-9-1-روش تبدیل فوریه زمان کوتاه(پنجره ای)……………………………………………………………………………………….63

2-9-2-روش هیلبرت- هوانگ……………………………………………………………………………………………………………..65

2-9-3روش تبدیل موجک……………………………………………………………………………………………………………….65

دیاگرام آبشاری

دیاگرام آبشاری

فصل سوم کاربرد شبکه عصبی در طبقه بندی

مقدمه ……………………………………………………………………………………………………………………………80
‫در آﻧﺎﻟﯿﺰ ارﺗﻌﺎﺷﺎت ﻣﺠﻤﻮﻋﻪای از دادهﻫﺎی ارﺗﻌﺎﺷﺎﺗﯽ در ﺣﺎﻟﺖﻫﺎی ﻣﻌﻠﻮم و ﻣﺨﺘﻠﻒ ) از ﻧﻈﺮ ﻧﻮع و‬ ﻣﯿﺰان ﻋﯿﻮب( از ﻧﻤﻮﻧﻪ آزﻣﺎﯾﺸﯽ اﺳﺘﺨﺮاج ﻣﯽﺷﻮد ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از روشﻫﺎی ﻃﺒﻘﻪﺑﻨﺪی ﻣﯽﺗﻮان‬ ‫اﯾﻦ داده ﻫﺎ را ﺑﻪ ﻃﺒﻘﻪﻫﺎﯾﯽ ﻣﺸﺨﺺ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﮐﺮد. در ﻣﺮاﺣﻞ ﺑﻌﺪ ﮐﻪ ﻧﻮع ﻋﯿﻮب ﻧﺎﻣﻌﻠﻮم ﺑﻮده و ﯾﺎ‬ ‫ﻣﯿﺰان آﻧﻬﺎ ﻧﺎ ﻣﺸﺨﺺ ﺑﺎﺷﺪ دادهﻫﺎﯾﯽ ﮐﻪ اﺳﺘﺨﺮاج ﻣﯽﺷﻮﻧﺪ ﺑﺎﯾﺪ ﺑﺎ دادهﻫﺎﯾﯽ ﮐﻪ از ﻧﻤﻮﻧﻪی آزﻣﺎﯾﺸﮕﺎﻫﯽ‬ ‫دارﯾﻢ ﻣﻘﺎﯾﺴﻪ ﺷﻮﻧﺪ و ﺑﻬﺘﺮﯾﻦ روش ﺑﺮای اﯾﻦ ﮐﺎر ﻣﻘﺎﯾﺴﻪی ﻃﺒﻘﻪﺑﻨﺪی ﻋﯿﻮب ﻧﺎﻣﻌﻠﻮم ﺑﺎ ﻃﺒﻘﻪﻫﺎی‬ ‫ﻋﯿﻮب ﻣﻌﻠﻮم و ﻣﺸﺨﺺ اﺳﺖ. ﺑﺮای اﯾﻦ ﮐﺎر ﺑﺎﯾﺪ از روشﻫﺎی ﻫﻮﺷﻤﻨﺪ اﺳﺘﻔﺎده ﮐﺮد ﺗﺎ ﺑﺘﻮان در ﻧﻬﺎﯾﺖ‬ ‫ﻧﻮع ﻋﯿﻮب ﯾﺎ درﺻﺪ ﻋﯿﻮب ﻣﺨﺘﻠﻒ را ﺑﻪ دﺳﺖ آورد. ﯾﮑﯽ از اﻧﻮاع روشﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺷﺒﮑﻪ ﻋﺼﺒﯽ اﺳﺖ‬ ﮐﻪ در اﯾﻦ ﻓﺼﻞ ﺑﻪ اﺧﺘﺼﺎر ﻣﻌﺮﻓﯽ ﺷﺪه اﺳﺖ.‬

طبقه بندی………………………………………………………………………………………………………………………….80

بازشناسی الگوها توسط شبکه ی عصبی…………………………………………………………………………………….82
ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ از ﻋﻨﺎﺻﺮ ﻋﻤﻠﯿﺎﺗﯽ ﺳﺎدهای ﺑﻪ ﺻﻮرت ﻣﻮازی ﺳﺎﺧﺘﻪ ﻣﯽﺷﻮﻧﺪ. اﯾﻦ ﻋﻨﺎﺻﺮ از ﺳﯿﺴﺘﻢﻫﺎی ﻋﺼﺒﯽ زﯾﺴﺘﯽ اﻟﻬﺎم ﮔﺮﻓﺘﻪاﻧﺪ. در ﻃﺒﯿﻌﺖ، ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ از ﻃﺮﯾﻖ ﻧﺤﻮه اﺗﺼﺎل ﺑﯿﻦ اﺟﺰا ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد. ﺑﻨﺎﺑﺮ اﯾﻦ ﻣﯽﺗﻮاﻧﯿﻢ ﯾﮏ ﺳﺎﺧﺘﺎر ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺗﺒﻌﯿﺖ از ﺷﺒﮑﻪﻫﺎی ﻃﺒﯿﻌﯽ ‫ﺑﺴﺎزﯾﻢ و ﺑﺎ ﺗﻨﻈﯿﻢ ﻣﻘﺎدﯾﺮ ﻫﺮ اﺗﺼﺎل ﺗﺤﺖ ﻋﻨﻮان وزن اﺗﺼﺎل ﻧﺤﻮهی ارﺗﺒﺎط ﺑﯿﻦ اﺟﺰای آﻧﺮا ﺗﻌﯿﯿﻦ ‫ﮐﻨﯿﻢ. ‫ﭘﺲ از ﺗﻨﻈﯿﻢ ﯾﺎ ﻫﻤﺎن آﻣﻮزش ﺷﺒﮑﻪی ﻋﺼﺒﯽ، اﻋﻤﺎل ﯾﮏ ورودی ﺧﺎص ﺑﻪ آن، ﻣﻨﺠﺮ ﺑﻪ درﯾﺎﻓﺖ ‫ﭘﺎﺳﺨﯽ ﺧﺎص ﻣﯽﺷﻮد. ﺷﺒﮑﻪ ﺑﺮ ﻣﺒﻨﺎی ﺗﻄﺎﺑﻖ و ﻫﻤﺴﻨﺠﯽ ﺑﯿﻦ ورودی و ﻫﺪف ﺳﺎزﮔﺎر ﻣﯽﺷﻮد ﺗﺎ اﯾﻨﮑﻪ ‫ﺧﺮوﺟﯽ و ﻫﺪف ﺑﺮ ﻫﻢ ﻣﻨﻄﺒﻖ ﺷﻮﻧﺪ. ﻋﻤﻮﻣﺎً ﺗﻌﺪاد زﯾﺎدی از اﯾﻦ زوجﻫﺎی ورودی و ﺧﺮوﺟﯽ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮﻧﺪ ﺗﺎ در اﯾﻦ روﻧﺪ ﮐﻪ ﺗﺤﺖ ﻋﻨﻮان ﯾﺎدﮔﯿﺮی ﻧﻈﺎرت ﺷﺪه ﯾﺎد ﻣﯽﺷﻮد، ﺷﺒﮑﻪ آﻣﻮزش داده ‫ﺷﻮد. ﺷﮑﻞ (3-4)را ﺑﺒﯿﻨﯿﺪ ‫از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﺑﺮای ﭘﯿﺎده ﺳﺎزی ﺗﻮاﺑﻊ ﭘﯿﭽﯿﺪه در زﻣﯿﻨﻪﻫﺎی ﻣﺨﺘﻠﻒ از ﺟﻤﻠﻪ ﺗﺸﺨﯿﺺ اﻟﮕﻮ، ‫ﺗﺸﺨﯿﺺ ﻫﻮﯾﺖ، ﻃﺒﻘﻪﺑﻨﺪی، ﭘﺮدازش ﺻﺤﺒﺖ و ﺗﺼﻮﯾﺮ و ﺳﯿﺴﺘﻢﻫﺎی ﮐﻨﺘﺮﻟﯽ اﺳﺘﻔﺎده ﻣﯽﺷﻮد. ﺑﺴﯿﺎری از ﮐﺎرﺑﺮدﻫﺎی ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ در ﺗﺸﺨﯿﺺ اﻟﮕﻮﺳﺖ. ﺗﺸﺨﯿﺺ اﻟﮕﻮ در دو ﻣﺮﺣﻠﻪ ﺻﻮرت ﻣﯽﮔﯿﺮد: ﻣﺮﺣﻠﻪی اول؛ اﺳﺘﺨﺮاج ﻣﺸﺨﺼﻪﻫﺎ و ﻣﺮﺣﻠﻪی دوم؛ ﻃﺒﻘﻪﺑﻨﺪی. در اﯾﻦ ﻗﺴﻤﺖ ﻓﺮض ﻣﯽﮐﻨﯿﻢ ﻣﺸﺨﺼﻪﻫﺎ را دارﯾﻢ و ﺑﻪ ﻣﺮﺣﻠﻪ دوم ﯾﻌﻨﯽ ﻃﺒﻘﻪﺑﻨﺪی ﻣﯽﭘﺮدازﯾﻢ. ‫ﺑﺮای ﻃﺒﻘﻪ ﺑﻨﺪی ﺳﻌﯽ ﻣﯽﮐﻨﯿﻢ ﺷﺒﮑﻪای اﯾﺠﺎد ﮐﻨﯿﻢ ﮐﻪ ﻣﺸﺨﺼﻪﻫﺎ را در اﺧﺘﯿﺎر اﯾﻦ ﺷﺒﮑﻪ ﻗﺮار دﻫﯿﻢ ‫و اﯾﻦ ﺷﺒﮑﻪ، ﻣﺸﺨﺼﻪﻫﺎ را در ﻓﻀﺎی ﻃﺒﻘﻪﺑﻨﺪی اﻧﻌﮑﺎس دﻫﺪ. ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺸﺨﺼﻪﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ اﻟﮕﻮ، اﯾﻦ ﺷﺒﮑﻪ ﺗﺼﻤﯿﻢ ﻣﯽﮔﯿﺮد ﮐﻪ اﯾﻦ اﻟﮕﻮﻫﺎ ﺑﺎ اﻟﮕﻮﻫﺎی ﮐﺪام ﯾﮏ از ﻃﺒﻘﻪﻫﺎ ﺑﯿﺸﺘﺮﯾﻦ ﺗﻄﺎﺑﻖ را ﻧﺸﺎن ﻣﯽدﻫﺪ ﺗﺎ اﯾﻦ اﻟﮕﻮ را در آن ﻃﺒﻘﻪ ﻗﺮار دﻫﺪ. ﺣﺎل ﺑﺒﯿﻨﯿﻢ ﭼﮕﻮﻧﻪ ﻣﯽﺗﻮان ﯾﮏ ﺷﺒﮑﻪی‫ ﮐﻠﯿﻪ ﻣﻄﺎﻟﺐ اﯾﻦ ﺑﺨﺶ از ﻣﻨﺎﺑﻊ [64] و [74] آورده ﺷﺪه اﺳﺖ
3-3-1-آموزش تشویقی(مبنی بر تکرار و تصحیح خطا) در بازشناسی الگو…………………………………..83

3-3-2- شبکه های عصبی مصنوعی پرسپترون…………………………………………………………………85

2-3-3-1-توابع انتقال……………………………………. …………………………………………………………….86

2-3-3-2-شبکه های چند لایه(MLPs) پیش رو……………………………………………………………………88

سیگنال موتور

سیگنال موتور

فصل چهارم بررسی آزمایشگاهی ناهمراستایی موازی و نابالانسی

1-4-مقدمه…………………………………………………………………………………………………………………….92

‫ﻫﺪف ﻋﻤﺪه از اﯾﻦ ﻓﺼﻞ، اﯾﺠﺎد ﻋﯿﻮب ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ ﻣﻮازی و ﻧﺎﺑﺎﻻﻧﺴﯽ ﺑﻪ ﺻﻮرت ﺗﺮﮐﯿﺒﯽ در ﯾﮏ‬ ‫ﻣﺪل آزﻣﺎﯾﺸﮕﺎﻫﯽ، ﺳﭙﺲ ﺗﺸﺨﯿﺺ و ﺗﻔﮑﯿﮏ ﻣﯿﺰان ﻫﺮﮐﺪام از ﻋﯿﻮب اﺳﺖ. ﺑﺮای رﺳﯿﺪن ﺑﻪ اﯾﻦ‬ ‫ﻣﻘﺼﻮد، در اﺑﺘﺪا ﺑﻪ ﻣﻌﺮﻓﯽ دﺳﺘﮕﺎه آزﻣﺎﯾﺸﮕﺎﻫﯽ ﮐﻪ ﺑﺮای ﺷﺒﯿﻪﺳﺎزی ﻋﯿﻮب ﻧﺎﺑﺎﻻﻧﺴﯽ، ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ‬ ‫ﻣﻮازی و زاوﯾﻪای ﻃﺮاﺣﯽ و ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ، ﭘﺮداﺧﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ. در اداﻣﻪ، ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از‬ ‫دادهﺑﺮداری ارﺗﻌﺎﺷﯽ از دﺳﺘﮕﺎه ﺷﺒﯿﻪﺳﺎز ﻋﯿﻮب آورده و در اﻧﺘﻬﺎی اﯾﻦ ﻓﺼﻞ ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮای‬ ‫ﻃﺒﻘﻪ ﺑﻨﺪی و ﺗﻔﮑﯿﮏ ﻣﯿﺰان ﻋﯿﻮب اﯾﺠﺎد ﺷﺪه ﻃﺮاﺣﯽ و اراﺋﻪ ﮔﺮدﯾﺪه اﺳﺖ .‬

2-4-معرفی دستگاه شبیه ساز عیوب………………………………………………………………………………….92

2-4-1-معیارهای انتخاب و قابلیت های طرح…………………………………………………………………………….92

2-4-2-مشخصات بخش های محرّّک و متحرک………………………………………………………………………….95

4-3-  کالیبراسیون………………………………………………………………………………………………….98

4-3-1-تجهیزات کالیبراسیون و داده برداری………………………………………………………………………………98

4-3-2-شیوه کالیبراسیون دستگاه شبیه ساز عیوب……………………………………………………………………99

4-4روش انجام آزمایشها………………………………………………………………………………………………105

5-4-نتایج ………………………………………………………………………………………………………………..109

4-5-1- استخراج ویژگیهای مناسب……………………………………………………………………………..109

4-5-2- معماری شبکه عصبی برای تشخیص حالت های مختلف……………………………………………112

  فصل پنجم– بحث و نتیجه گیری

5-1-  مقدمه ……………………………………………………………………………………………………122

‫آﯾﺎ ﻣﯽﺗﻮان روﺷﯽ ﯾﺎﻓﺖ ﮐﻪ ﺑﻪ وﺳﯿﻠﻪی آن ﻧﻮع ﻋﯿﺐ ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ(زاوﯾﻪای ﯾﺎ ﻣﻮازی) ﻗﺎﺑﻞ‬ ‫ﺗﺸﺨﯿﺺ ﺑﺎﺷﺪ؟ آﯾﺎ ﻣﯽﺗﻮان ﺗﻨﻬﺎ ﺑﺎ اﻧﺪازهﮔﯿﺮی ارﺗﻌﺎﺷﺎت ﺳﯿﺴﺘﻢ ﻋﯿﻮب ﻧﺎﺑﺎﻻﻧﺴﯽ و ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ را از‬ ‫ﯾﮑﺪﯾﮕﺮ ﺗﻔﮑﯿﮏ ﻧﻤﻮد؟ وآﯾﺎ ﻣﯽ ﺗﻮان ﻣﯿﺰان ﻫﺮﮐﺪام از ﻋﯿﻮب را ﺗﺸﺨﯿﺺ داد؟‬ ‫اﯾﻦ ﺳﻪ ﺳﺆال اﺳﺎﺳﯽ ﻣﺒﻨﺎی اﻧﺠﺎم اﯾﻦ ﺗﺤﻘﯿﻖ ﺷﺪﻧﺪ و ﺑﺮای ﭘﺎﺳﺦﮔﻮﯾﯽ ﺑﻪ اﯾﻦ ﺳﺆاﻻت اﻗﺪام ﺑﻪ‬ ﺳﺎﺧﺖ ﻣﺪﻟﯽ آزﻣﺎﯾﺸﮕﺎﻫﯽ ﺷﺪ ﮐﻪ ﻋﯿﻮب ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ ﻣﻮازی، ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ زاوﯾﻪای و ﻧﺎﺑﺎﻻﻧﺴﯽ ﺑﺮ روی‬ ‫آن، ﻫﻢ ﺑﻪ ﺻﻮرت ﺗﮑﯽ و ﻫﻢ ﺑﻪ ﺻﻮرت ﺗﺮﮐﯿﺒﯽ اﯾﺠﺎد ﺷﻮد ﺗﺎ در ﻧﻬﺎﯾﺖ ﺑﺘﻮان ﻣﺸﺨﺼﺎت ﻋﯿﻮب‬ ‫ﻧﺎﺑﺎﻻﻧﺴﯽ و ﻧﺎﻫﻤﺮاﺳﺘﺎﯾﯽ و ﺗﺮﮐﯿﺐ آﻧﻬﺎ را از ﺳﯿﮕﻨﺎلﻫﺎی ارﺗﻌﺎﺷﯽ اﺳﺘﺨﺮاج ﻧﻤﻮد.‬

‫5-2. ﺟﻤﻊﺑﻨﺪی ﻧﺘﺎﯾﺞ‬

5-2-  جمع بندی نتایج………………………………………………………………………………………………………..122

5-3-  پیشنهادات……………………………………………………………………………………………………………….123

پیوست…………………………………………………………………………………………………………………………..124

منابع و مراجع………………………………………………………………………………………………………………….134

چکیده انگلیسی

دستگاه شبیه ساز

دستگاه شبیه ساز

فهرست جداول 

جدول 2-1: سیگنالهای معین…………………………………………………………………………………………….29

جدول 2-2: خلاصه ای از سه تبدیل فوریه………………………………………………………………………………46

جدول 2-3: روابظ متحد شده تبدیل فوریه ………………………………………………………………………………51

جدول 4-1 : استاندارد بالانس میدانی………………………………………………………………………………….101

جدول 4-2: تلرانس های همراستاسازی……………………………………………………………………………….103

جدول 4-3: مقادیر کلی ارتعاشات حالت بدون عیب دستگاه شبیه ساز عیوب…………………………………….104

جدول 4-4: حالت های داده برداری ( مراحل و مقادیر آزمایشها )…………………………………………….. 107و108

جدول 4-5: درصدتست و آموزش شبکه  با تغییر تعدادنرون لایه میانی از 1 تا 40………………………………115

جدول 4-6: نتایج شبکه برای تعداد نرون لایه میانی 31 در ده نوبت اجرا……………………………………….116

جدول 4-7: نتایج شبکه برای تعداد نرون لایه میانی 38 در ده نوبت اجرا……………………………………….116

جدول 4-8: نتایج شبکه برای تعداد نرون لایه میانی 39 در ده نوبت اجرا……………………………………….116

جدول 4-9: نتایج شبکه برای تعداد نرون لایه میانی 40 در ده نوبت اجرا……………………………………….116

جدول 4-10: درصد تست شبکه برای هر حالت به صورت مجزا و وضعیت تشخیص حالت…………………..120

تلرانس های ناهمراستایی

تلرانس های ناهمراستایی

فهرست شکلها

شکل1-1: منحنی وانی برای عمر یک ماشین …………………………………………………………………………3

شکل1-2: برخی لوازم دادهبرداری………………………………………………………………………………………..4

شکل1-3: مروری بر روشهای عیبیابی مبتنی بر اندازهگیری ارتعاشات………………………………………………6

شکل1-4: انواع ناهمراستایی………………………………………………………………………………………………9

شکل2-1: انواع سیستمهای ارتعاشی…………………………………………………………………………………..26

شکل2-2: سیگنال گرفته شده با مبدل………………………………………………………………………………….26

شکل2-3: انواع سیگنال…………………………………………………………………………………………………….30

شکل2-4: یک نمونه موج زمانی……………………………………………………………………………………………33

شکل2-5: موج زمانی یک جعبهدنده معیوب……………………………………………………………………………..34

شکل2-6: تغییر مدار یک یاتاقان خراب…………………………………………………………………………………….36

شکل2-7: فیلتر کردن یک سیگنال ارتعاشی در حوزه زمانی…………………………………………………………….39

شکل2-8: میانگین مجموعههای زمانی سیگنالهای جعبهدنده در حوزهی زمانی……………………………………40

شکل2-9: الف) دوموج سینوسی. ب) دو موج سینوسی ترکیب شده. پ) نمایش سه بعدی از جهات

مختلف.  ت) نمایش حوزهی زمانی ب ث) نمایش حوزهی فرکانسی………………………………………………….43

شکل2-10: رابطهی بین قطعات ماشین با طیف ارتعاشات…………………………………………………………………44

شکل2-11: نمودار جعبهای سادهای از یک تحلیلگر طیفی……………………………………………………………….49

شکل2-12: الف)اندازهگیریهای انجام شده. ب) نتیجهی اندازهگیریها………………………………………………….50

شکل2-13: رابطهی بین FIT و DFT با مشخص کردن خطای الیازینگ………………………………………………….53

شکل2-14: پدیدهی الیازینگ طیف فرکانسی ……………………………………………………………………………54

شکل2-15: مبدل آنالوگ به دیجیتال…………………………………………………………………………………………..55

شکل2-16: خلاصهای از دو روش میانگینگیری………………………………………………………………………………58

شکل2-17: نمودار آبشاری …………………………………………………………………………………………………..59

شکل2-18: ساختار یک دیاگرام ارتعاشی کمپل ……………………………………………………………………………60

شکل2-19: نمونهای از یک موجک همراه با موج سینوسی…………………………………………………………….66

شکل2-20: تبدیل یک سیگنال به موج سینوسی و موجک به کمک تبدیل فوریه و تبدیل موجک .68

شکل2-21: مفهوم a در حوزهی فوریه و موجک…………………………………………………………………………70

شکل2-22: مفهوم انتقال در موجک…………………………………………………………………………………….70

شکل2-23: نمای شماتیک تجزیه موج در روش تبدیل موجک…………………………………………………………73

شکل2-24:توابع موجک دابچی از 1db تا15db…………………..ا…………………………………………………….76

شکل2-25: تجزیه ی سیگنال جعبه دندهی سالم در حالت بدون روغنکاری و بدونبار باکمک15db……………….ا……..76

شکل3-1: طبقهبندی نمونه های ورودی…………………………………………………………………………………………..81

شکل3-2: ساختار یک شبکه ی عصبی مصنوعی……………………………………………………………………………….85

شکل3-4: طریقهی اصلاح ضرایب……………………………………………………………………………………………………86

شکل3-5: تابع انتقال پله واحد……………………………………………………………………………………………………….87

شکل3-6: تابع انتقال سیگموئید……………………………………………………………………………………………………87

شکل3-7: تابع انتقال تانژانت سیگموئید……………………………………………………………………………………………..88

شکل3-8: تابع انتقال همانی……………………………………………………………………………………………………………88

شکل3-9: پرسپترون چند لایه…………………………………………………………………………………………………………89

شکل3-10: دو نوع فضای طبقه بندی……………………………………………………………………………………………….89

شکل3-11: شبکه عصبی پرسپترون چند لایه (MLPs)……………………………..ا……………………………………………90

شکل4-1: نمای کلی دستگاه شبیه ساز عیوب…………………………………………………………………………………….93

شکل4-2: موتور-کوپلینگ به همراه مکانیزم ایجاد عیب ناهمراستایی……………………………………………………….94

شکل4-3: نمای روبرو از دستگاه شبیه ساز عیوب………………………………………………………………………………95

شکل4-4: الف)نمای جلوی بخش محرک. ب)نمای پشت بخش محرک………………………………………………………96

شکل4-5: مکانیزم ایجاد عیب ناهمراستایی………………………………………………………………………………………..97

شکل4-6: الف)بخش متحرک دستگاه شبیه ساز عیوب.ب)کوپلینگ انعطاف پذیر………………………………………….97

شکل4-7: الف)ساعت اندیکاتور.ب)دستگاه SENDIG. ج)نرم افزار3MCME ……..ا………………………………………99

شکل4-8: روش پیشانیولبه جهت همراستاسازی محورها……………………………………………………………….102

شکل 4-9: تلرانس همراستاسازی دستگاه شبیهساز عیوب………………………………………………………………103

شکل 4-10: نمودار مشخص کنندهی شدت ارتعاشات…………………………………………………………………….105

شکل4-11: دادهبردار چهار کاناله B&K………………………….ا……………………………………………………………..106

شکل 4-12: الف)نحوهی اعمال و اندازهگیری میزان ناهمراستایی. ب)محل مرجع برای سرعتسنج و عیب نابالانسی…….109

شکل 4-13: ماتریس ورودی برای آموزش شبکه……………………………………………………………………………..112

شکل 4-14: ماتریس ورودی برای تست شبکه…………………………………………………………………………………113

شکل 4-15: ماتریس خروجی، با شبیهسازی ماتریس تست…………………………………………………………….118

شکل 4-16: الف)رگرسیون شبکه . ب) کارآیی شبکه………………………………………………………………………119

فهرست علائم و اختصارات

تبدیل موجک…………………………………………………………………………………………………………………………………….WT

بسط سری فوریه ……………………………………………………………………………………………………………………………..FFT

تبدیل موجک پیوسته …………………………………………………………………………………………………………………..CWT

تبدیل موجک ناپیوسته ………………………………………………………………………………………………………………..DWT

تبدیل فوریه سریع ……………………………………………………………………………………………………………………….STFT

شبکه عصبی ………………………………………………………………………………………………………………………………….ANN

پایش وضعیت …………………………………………………………………………………………………………………………………..CM

شبکه عصبی پرسپترون چند لایه …………………………………………………………………………………………………MLP

مجموع مربعات خطا ………………………………………………………………………………………………………………………MSE

شبکه های عصبی ……………………………………………………………………………………………………………………………NNS

ریشه میانگین مربعات …………………………………………………………………………………………………………………..RMS  

Abstract
The vibration analysis of rotating machinery can give an indication of the condition of potential faults such as unbalance, misalignment, bent shaft, shaft crack, bearing clearance, rotor rub, looseness, oil whirl and whip and other malfunctions. The diagnostics of rotor faults has gained importance in recent years. Many papers in the literature have dealt with single faults but normally, more than one fault can occur in a rotor. This research describes the application of artificial Neural Network (ANN) and Wavelet Transform (WT) for the prediction of the effect of combined faults of unbalance and parallel misalignment on the frequency components of vibration signal of the rotating machinery. The frequency components obtained from approximation of Wavelet transform of vibration signals have been used as inputs to the ANN. The wavelet transform approach enables instantenous observation of different frequency components over the full spectrum and denoise the signal. A new technique combines the (WT) and (ANN) for detection of combined faults. The ANN consists of one input, one hidden and one-output layer. In this research the feed forward ANN has been trained by levenberg- marquardt algorithm. It is found that levenberg-marquardt algorithm is much more efficient than the other techniques. The ANN used for diagnosis and classification of 36 different states of combined unbalanced and misaligned faults. The efficiency value of 36 states of combined faults have been reported. This method is tested successfully for 36 states of two combined faults at a rate of 99.9% and all of 36 states were diagnosed correctly.
Keywords: Unbalance, Parallel misalignment, Combined Faults, WT, ANN.



 مقطع کارشناسی ارشد

بلافاصاله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان