عنوان پایان‌نامه
تشخیص عیوب بال بیرینگ براساس روش شبکه های عصبی موجکی (شبکه های موجی)
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6135;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65676
- تاریخ دفاع
- ۲۵ آبان ۱۳۹۳
- دانشجو
- اشکان شکریان
- چکیده
- نگهداری و تعمیرات هوشمند در تشخیص عیب برای صنعت، حمل و نقل، هوافضا، صنعت اتوماسیون و غیره بسیار حیاتی است. سازمان¬های صنعتی و نظامی به دنبال قابلیت اطمینان و دردسترس بودن سیستم¬ها و اجزای حیاتی آنها هستند. هدف اصلی، افزایش زمان کارکرد بدون خطا و کاهش هزینه¬های نگهداری و تعمیرات است. چون تعداد نیروی انسانی کاهش یافته و تجهیزات پیچیده¬تر شده¬اند، نگهداری و تعمیرات هوشمند باید جایگزین سیستم¬های نگهداری و تعمیرات قدیمی شود. استفاده از متدهای نوین نگهداری و تعمیرات نظیر برنامه¬های پایش¬وضعیت با روش آنالیز ارتعاشات اطلاعات گسترده¬ا¬¬ی در مورد عملکرد ماشین¬آلات در اختیار مهندسان قرار می¬دهد که آنها را در برنامه¬ریزی، هدایت،کنترل و بهینه سازی یاری می¬دهد. تشخیص و طبقه¬بندی عیوب برای بال¬بیرینگ مبتنی بر داده-های ویژگی ارتعاش به¬دست آورده شده. در این پژوهش، روشی موثر و مطمئن مبتنی بر تحلیل ارتعاش برای عیب-یابی بال¬بیرینگ ارائه می¬شود. سیگنال¬های ارتعاشی از آلترناتور تراکتور مسی¬فرگوسن 285 با بال¬بیرینگ¬¬های سالم و معیوب در سه سطح سرعت (600، 1300 و 2200 دور بر دقیقه) گرفته شد. ویژگی¬های طیف¬های ارتعاشی با استفاده از پارامترهای آماری( از حوزه فرکانس ) برای وضعیت¬های مختلفبال¬بیرینگ استخراج گردید. از طبقه¬بند شبکه ویولتی برای طبقه¬بندی حالات مختلف بلبرینگ استفاده گردید. ابتدا توسط دادهای آموزش، مرحله یادگیری تکمیل و سپس توسط داده¬های آزمایش صحت طبقه-بندی محاسبه شد. بالاترین میزان صحت تشخیص، مربوط به سرعت 1300 دور بر دقیقه است این مقدار برابر با 36/96 درصد می¬باشد.
- Abstract
- Intelligent maintenance is vital for fault diagnosis in different industries such as transportation, aerospace, industrial automation and etc. Industrial and military organizations are seeking reliability and availability of their systems and related aiming to increase the operating time and reduce the maintenance costs. It is necessary to replace the old systems’ maintenance with the intelligent maintenance as the human resource has decreased, while the machinery and equipment have become more complex and advanced. Application of new methods of maintenance such as condition monitoring by vibration analysis provides useful information about machine performance for the engineers to help them to support, control and optimize the production. Vibration analysis is used for detection and classification of ball bearing defection. In this study an efficient and reliable method based on vibration analysis was presented for fault diagnosis in ball bearings. The effects of health and defective bearings in three speeds (600, 1300, 2200 RPM) on the vibration signals from the alternator of massey ferguson (MF 285) type tractor was studied. The vibration spectrums using statistical parameters (in the frequency domain) in different conditions were obtained for ball bearings. Wavelet network classifier was used in fault diagnosis.The highest accuracy was obtained for speed rate of 1300 RPM, which equals to 93.36% for frequency domain.
