عنوان پایان‌نامه
تشخیص عیوب و تحلیل ارتعاشات یاتاقان های ثابت موتور چهارزمانه با استفاده از شبکه عصبی خودسازمانده
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6088;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65110
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۳
- دانشجو
- احسان فارسیجانی
- استاد راهنما
- سیدسعید محتسبی, حجت احمدی
- چکیده
- در بسیاری از صنایع مختلف و مکانیزم های گوناگون از یاتاقان ها به عنوان یکی از اجزا مهم و کلیدی استفاده می گردد. عیوب یاتاقان¬ها امکان دارد در هنگام استفاده یا در هنگام فرآیند ساخت آنها ایجاد شود و تشخیص این عیوب برای پایش وضعیت و نیز برای بالا بردن کیفیت یاتاقان¬ها بسیار مهم است. هرکدام از قطعات موتور کارایی و حساسیت خاص خود را دارند. اما اجزای اصلی موتور مانند سیلندر، پیستون، میل لنگ، یاتاقان ثابت، میل بادامک و ... از جنبه های مختلف نسبت به دیگر قطعات حیاتی ترند. بنابراین جلوگیری از آسیب رسیدن به آن ها بیشتر مدّ نظر است. عوامل آسیب رسان به این قطعات طیف گسترده ای دارند، حتی یک خراش کوچک ممکن است باعث خرابی آن ها شود. در این تحقیق به بررسی عیوب متداول یاتاقان ثابت پرداخته شده است و با استفاده از تبدیل موجک، سیگنال های ارتعاشی دریافت شده را با تقریب های صحیح برای طبقه بندی با شبکه عصبی خودسازمان ده آماده شده است. از عیوب بررسی شده می توان به خراش طولی، خراش عرضی، ترکیب خراش طولی وعرضی، ساییدگی، لهیدگی و ازبین رفتن بابیت اشاره کرد. عیوب ذکر شده در سه سرعت راه اندازی موتور یعنی 1000، 1800 و 2900 دور بردقیقه بر روی یک موتور احتراق داخلی مورد بررسی قرار گرفت و حسگر مورد استفاده برای دریافت سیگنال های ارتعاشی دقیقا بر روی بدنه موتور به صورت عمودی نسبت به پوسته موتور مقابل یاتاقان ثابت مورد نظر قرار گرفت. سرعت 1000 دور بر دقیقه به عنوان بهترین سرعت در جداسازی و طبقه بندی عیوب مورد شناسایی قرار گرفت. دقت شبکه در شناسایی و کلاس بندی عیوب به دقت 9/98 درصد رسید، که این خود نشان از قدرت پردازشی بالای شبکه عصبی خودسازمان ده در تشخیص عیوب می باشد.
- Abstract
- In many different industries and also various mechanisms, the bearings are used as one of the key and essential components. Bearings defects may be produced during manufacturing process or application and detection of these defects is very important for condition monitoring and also enhancement of the quality of bearings. Each engine parts has its own performance and sensitivity, however, referring to various aspects, the main components of the engine such as cylinders, pistons, crankshaft, fixed bearings, camshaft and etc. are more vital as compared to other parts. Therfore, preventing of damage to them, should be further considered. Damaging elements to this components, have a wide range and even an small scratch can damage them. In this study, just the conventional defects of fixed bearing are considered and the obtained vibration signals are conditioned with correct approximations for classification with neural network self-organization technique using wavelet transform. The defects which are investigated in this research are: longitudinal scratches, transverse scratches, combined longitudinal and transverse scratches, abrasion, babbitt loss and babbitt crush. The defects are studied in three engine speeds of 1000, 1800 and 2900 rpm and the required sensor was installed on engine block perpendicular to fixed bearing to get the vibration signals. Engine speed of 1000 rpm were identified as the best speed for separation and classification of defects. The accuracy of network for defect classification reached to 98.9 percent, indicating the high processing ability of neural networks self-organize in detection of defects.
