استفاده از روش‌های هوشمند فازی- عصبی و شبکه‌های عصبی چند لایه در تشخیص عیوب اصلی ماشین‌های دوار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مکانیک، دانشگاه تربیت دبیر شهید رجایی

2 ستادیار، دانشکده - مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی

3 استادیار، دانشکده مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی

چکیده

امروزه عیب­یابی ماشین­های دوار از راه تشخیص علائم شروع و رشد عیب با استفاده از روش های هوشمند، شناسایی علت و قطعات آسیب دیده و پیشگویی میزان عمرکاری باقیماندة ماشین، نقش مهمی در جلوگیری از آسیب­دیدگی شدید ماشین و هزینه­های بالای تعمیرات بر عهده دارند. هدف این تحقیق نیز استفاده از ساختار هوشمند شبکه­های فازی- عصبی و  عصبی چند لایه در تشخیص عیوب اصلی ماشین­های دوار از جمله نابالانسی، ناهمراستایی، خرابی بیرینگ و لقی مکانیکی است. لذا در این تحقیق علاوه بر ایجاد روشی خودکار برای تشخیص عیب، در جهت افزایش دقت و سرعت این شبکه­ها نیز تلاش شده است. در این راستا، با استفاده از روش تحلیل اجزای اصلی ابعاد ماتریس ورودی در حد مطلوب کاهش داده شد و نیز کارایی دو شبکه هوشمند فازی- عصبی و عصبی چند لایه، در تشخیص عیوب با یکدیگر مقایسه شد. جهت دست­یابی به هدف فوق، شبکه­های گفته شده با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف­های فرکانسی و موج­های زمانی، آموزش دیده شدند. نتایج نشان داد که برای 84 مورد اندازه­گیری نهایی، شبکه­های فازی- عصبی و عصبی چند لایه به ترتیب دارای میانگین 91 و 78 درصد موفقیت در تشخیص درست عیوب بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Implementation of Neuro– Fuzzy and Multi-Layer Perceptron System Intelligent Techniques for Main Fault Diagnosis of Rotating Machinery

نویسندگان [English]

  • Majid Kamari 1
  • G. Payeganeh 2
  • M. N. Khajavi 3
چکیده [English]

Nowadays, Fault detection of rotating machinery by diagnosing sings of starting point and growth of defect using intelligent techniques, discovering the defected parts and the reason behind them and prediction of remaining working life of the machine play an important role in preserve the machine from severe defects and the high price of repairing it. The goal of this paper is using the Adaptive Neural - Fuzzy Inference Systems (ANFIS) and Multi-Layer Perceptron (MLP)for detecting the original defects in rotating machinesincluding unbalancing, Bearing defects, Looseness and misalignment. So,in this study addition to the creation of this mechanism for automatic fault diagnosis, improve accuracy and speed of the network was also performed.Therefore, using the Principal Component Analysis (PCA), the input matrix was reduced to acceptable amontand the effectiveness of the ANFIS and MLP networks in detection of defects were compared with each other.To achieve this goal, mentioned networks were trained using feature vectors extracted from the spectrum frequency and waves.The obtained results showed that for 84 final measurements, the ANFIS and MLP networks have 91 and 78 averages percent successful in detecting the defects, respectively. 

کلیدواژه‌ها [English]

  • Rotating Machinery
  • Defect Classification
  • Adaptive Neural - Fuzzy Inference Systems (ANFIS)
  • Multi- Layer Perceptron (MLP)
[1] M. Alexandru, “Analysis of induction Motor fault diagnosis With fuzzy neural network”, applied artificial intelligence, No. 17, 105-133, 2003.
[2] Buragohain, M. And Mahanta C., “A novel approach for ANFIS modeling based on full factorial design”, Applied Soft Computing, No. 8, 609-625, 2008.
[3] Keith, M. R. An introduction to predictive maintenance, 2nd Edition, Elsevier Science, 2002.
[4] Emmanouilidis, C., Macintyre, J. And Cox, “CNeuro-fuzzy computing aided machine fault diagnosis”, information sciences conference, jcis'98, 1998.
[5] Chow, M., and R. N., Sharpe, And J., Hung, “The application and design of artificial neural network for motor fault detection”, IEEE Transactions on Industrial Electronics, No. 40, Vol. 2,189–196, 1993.
[6] Ragulskis, K., and A., Yurkauskas ,“Vibration of bearings”, PA: Hemisphere, 1989.
[7] Lipovszky, G. K. and G., Solyomvari Varga, “Vibration testing of machines and their maintenance”, Elsevier, 1990.
[8] House, J. M. and D. R., Lee., “ShinClassification techniques for fault detection and diagnosis of an air-handling unit”, ASHRAE Trans, No. 105, Vol 1, 1987–97, 1999.
[9] Robinson, J. C., R. G., Canada and K. R., Piety, “Peak Value analysis—new methodology for bearing fault detection”, Sound Vib, No. 30, Vol. 11, 22–5. 1996.
[10] Donley M., W., Stokes, G. S., Jeong, K. K., Suh and S. G., Jung, “Validation of finite element for modelsfor models simulation”, Sound Vib, No. 30, Vol.8, 18–23, 1996.
[11] Chow, M.Y. and S. O., Yee ,“An adaptive back-propagation through time training algorithm for a neural controller”, Proc IEEE Int Symp Intell Control, 170–5, 1991.
[12] Chow M. Y. and Y. S., Lee ,“Motor Incipient Fault Detection using Artificial Neural Network and Fuzzy Logic Technologies, Computer Aided Maintenance, Methodology and Practices”, London, UK: Chapman & Hall, 1996.
[13] Chow, Li. B., Tipsuwan, M. Y. and Hung, J. C., “Neural-network-based motor rolling bearing fault diagnosis”, IEEE Trans Ind Electr, Vol.47, No.5, 1–2, 2000.
[14] Wang, C. C., Y., Kang, Shen, P. C., Chang, Y. P. And Chung, Y. ,“Applications of fault diagnosis in rotating machinery by using time series analysis with neural network”, Expert Systems with Applications, VVol. 37, No. 2, 1696-1702, 2010.
[15] Lei Y., Z. He. And Y. Zi ,“A new approach to intelligent fault diagnosis of rotating machinery”, Expert Systems with Applications, Vol. 35, No. 4, 1593-1600, 2008.
[16] Zio, E. And G., Gola ,“A neuro-fuzzy technique for fault diagnosis and its application to rotating machinery”, Reliability Engineering and System Safety, Vol. 94, 78-88, 2009.
[17] Hunt, K. J., R., Haas and S., Murray, “Extending the function equivalent of radial basis function networks and fuzzy inference systems”, IEEE Transaction on neural networks , Vol. 7, No. 3, 134-145, 1996.
[18] Lou, X. and K. L., Loparo ,“Bearing fault diagnosis based wavelet transform and fuzzy inference”, Mechanical Systems and Signal Processing, Vol. 18, 1077-1095, 2004.