عنوان پایان‌نامه
پایش وضعیت آکوستیبک گیربکس تراکتور MF۲۸۵ وطبقه بندی عیوب آن براساس شبکه عصبی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 4489;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49507
- تاریخ دفاع
- ۱۸ بهمن ۱۳۸۹
- دانشجو
- بهراد باقری
- استاد راهنما
- حجت احمدی
- چکیده
- با توجه به پیشرفت سریع تکنولوژی در سالهای اخیر، نیاز به کاربرد روش های مختلف برای بالا نگه داشتن کیفیت محصول و سلامت خط تولید به شدت احساس می شود. بدین سان، پایش وضعیت با تست های غیر مخرب به عنوان روشی نوین و کارآمد در صنایع به طور گسترده مورد استفاده قرار می گیرد که می تواند با پیش بینی و تشخیص به موقع عیوب از توقف بی مورد و یا آسیب جدی به سامانه جلوگیری کند. خودکار سازی کنترل سلامت ماشین های داخل سیستم، کمک شایانی به مدیریت تعمیرات در صنایع می کند. به منظور پیاده سازی سامانه ی پایش وضعیت، روش های گوناگونی تا کنون مورد استفاده قرار گرفته است که یکی از متداول ترین آنها تحلیل امواج صوتی و ارتعاشی است. امواج به طور کلی در سه حوزه ی فرکانس، زمان و زمان - فرکانس مورد تحلیل قرار می گیرند که تبدیل موجک به عنوان روشی کارآمد در حوزه زمان-فرکانس کاربرد دارد. از تبدیل موجک به دو شیوه می توان استفاده نمود: روش اول تجزیه موج اولیه به چندین موج در سطح های مختلف و استخراج ویژگی های آماری از سری ضرایب به دست آمده و روش دوم استخراج ویژگی انرژی موج در سطوح مختلف تقریب و جزییات و استفاده از این خصوصیات به عنوان ورودی سامانه طبقه بند. در تحقیق حاضر امواج صدای ناشی از دوران جعبه دنده¬ی تراکتور مسی فرگوسن 285 در سرعت های 1300، 1700، 2100 و 2500 دور بر دقیقه به منظور تشخیص عیب در دو دنده¬ی یک و دو مورد استفاده قرار گرفتند. خرابی¬های مورد بررسی در دنده یک: ساییدگی و شکستگی یک دندانه و در دنده¬ی دو لب پریدگی جزیی در دندانه های چرخ دنده و شکستگی یک دندانه بود. تبدیل موجک با استفاده از چهار موجک مادر متفاوت در سطح 4 برای تجزیه امواج مورد استفاده قرار گرفت. بیست و پنج تابع برای داده کاوی از ضرایب تقریب و جزییات به دست آمده از تبدیل موجک مورد استفاده قرار گرفت. به منظور بررسی ویژگی های استخراج شده، از روش ارزیابی فاصله توسعه داده شده (IDE) با سه حد آستانه ی صفر،5/0 و 8/0 استفاده شد. در این مسیر تحلیل 96 گروه داده ی ورودی مختلف آماده شد که هر کدام به عنوان ورودی برای 9 شبکه عصبی دولایه با تعداد نورون متغیر بین 2 تا 10 در لایه پنهان مورد استفاده قرار گرفت. 864 شبکه عصبی آموزش دیده، توسط داده های آزمون که به روشی مشابه آماده سازی شده بودند مورد ارزیابی قرار گرفتند که در نهایت با توجه به معیار های دقت طبقه بندی، سادگی ساختار شبکه عصبی، مدت زمان شبیه سازی و مدت زمان تحلیل موجک، سرعت 1300 دور بر دقیقه به همراه موجک مادر Coif4 با استفاده از آستانه انتخاب ویژگی 8/0 به عنوان بهترین ورودی برای هر دو دنده¬ی یک و دو انتخاب گردیدند و شبکه های عصبی با ساختار 3-2-5 و 3-2-2 به عنوان بهترین شبکه های آموزش دیده به ترتیب برای دنده های یک و دو با دقت 100 درصد در تشخیص عیب برگزیده شدند. به منظور ارزیابی هرچه بیشتر توانایی سامانه تشخیص عیب ایجاد شده در دو مرحله از تشخیص عیب چند جزیی استفاده گردید. در مرحله اول با استفاده از موجک مادر و سرعت دوران مشابه، شبکه عصبی تشخیص دنده ی درگیر علاوه بر وضعیت سلامتی آن مورد بررسی قرار گرفت که توانست دقتی برابر با 4/99 درصد را به دست آورد. در مرحله دوم تشخیص عیب چند جزیی، با موجک مادر ثابت، سرعت دوران نیز به کلاس های تشخیص اضافه گردید که در این حالت 24 کلاس متفاوت برای تشخیص وجود داشت و دقت 94% برای تشخیص سرعت دوران، دنده¬ی درگیر و وضعیت سلامت آن به دست آمد. بدین سان این سامانه نه تنها قادر به تشخیص عیب یک چرخ دنده است، امکان تشخیص دنده ی درگیر و سرعت دوران را نیز به صورت همزمان داراست.
- Abstract
- The undeniable importance of maintenance and keeping product line up and running is improving during recent years. Non-destructive tests are one of the common techniques for condition monitoring industrial equipments which can prevent machineries from breakage and catastrophic faults. Automation of machinery condition monitoring can help industries and manufactures to plan for cost efficient maintenance instead of time-based maintenance. Vibration and acoustic signals carry rich information about machinery health, therefore acoustic and vibration based condition monitoring are the most useful methods for fault classification in industries. Signals processing consists of three main parts: time domain- frequency domain and Time-Frequency domain where wavelet transform is one of the common and useful techniques in time-frequency domain. Wavelet transform could be used in two different ways: the first way is for decompose raw signal into approximation and details coefficients for data mining from these coefficients and the other ways is to use the energy parameter of decomposed signal. In present study acoustic signals of Massey Ferguson 285 tractor in four input shaft revolution speeds of 1300, 1700, 2100 and 2500 RPM are used for fault classification of first and second gear of gearbox. The studied faults are worn tooth face and broken tooth. Discrete wavelet transform with four different mother wavelets are used to decompose raw acoustic signals. 25 functions are used for data mining from decomposition approximation and details coefficients. Improved Distance Evaluation (IDE) method is used for feature selection with three different thresholds. This variant data processing procedure generated 96 different data sets or inputs for artificial neural network classifier. ANN is implemented by two layer networks where the hidden layer neurons count is variant between 2 and 10. Finally between 864 different trained and evaluated networks based on correct classification ratio (CCR) , simulation duration, simplicity of network structure and wavelet process duration, two networks are selected as the best networks for first and second gear with accuracy of 100%. Both networks have same input procedure where is 1300 RPM, Coif4 mother wavelet and 0.8 for IDE threshold and network structures are 5-2-3 and 2-2-3 simultaneously for first and second gears. The next part of this study is to generate a multi-component fault classification system where in first step it could identify the running gear. In this step, classification classes are increased from 3 into 6 classes, networks are trained with 1300RPM and Coif4 mother wavelet inputs and 99.4% precision is gained from test data set. The next step is to increase the complexity of the problem and make system to identify revolution speed, running gear and its fault in same time, thus there are 24 classes. Same mother wavelet is used and the result is 94.4% on test data set. Based on these high precise results, this system can be reliable for condition monitoring the faults of rotary systems and it could even be used in online condition monitoring procedures. Keywords: Acoustic condition monitoring, Wavelet Transform, feature selection, data mining, artificial neural networks, gearbox
