دانشگاه صنعتی امیرکبیر نشریه مهندسی مکانیک امیرکبیر 2008-6032 57 1 2025 03 21 Estimating the Remaining Useful Life of Bearings Using Weibull Function Fitting on IMF تخمین عمرمفید باقیمانده بلبرینگ بااستفاده از برازش تابع ویبول برروی تابع مود ذاتی 105 122 5745 10.22060/mej.2025.23526.7776 FA زهرا طالبی دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران مرتضی همایون صادقی دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران میر محمد اتفاق دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران 0000-0002-9229-3482 Journal Article 2024 09 16 This study proposes a robust methodology for accurately estimating the Remaining Useful Life (RUL) of ball bearings in rotary machinery, which are critical components in many industrial systems. The approach utilizes vibration signal analysis, specifically Empirical Mode Decomposition (EMD), to extract meaningful features. Among the decomposed Intrinsic Mode Functions (IMFs), the one with the highest energy is selected to represent the degradation process. The variance of this selected IMF is modeled using a Weibull distribution to reflect the trend of failure progression. Subsequently, a neural network, particularly the Simplified Fuzzy ARTMAP (SFAM), is trained to predict the remaining life based on the fitted Weibull trend. Finally, exponential smoothing is employed to enhance prediction stability. Experimental results validate the method’s effectiveness in tracking degradation and provide accurate RUL estimates under various conditions. بلبرینگ‌ها کاربرد بسیار گسترده‌ای در صنعت دارند و نیاز به تخمین دقیق عمر مفید آن‌ها بسیار حیاتی است. در بسیاری از پژوهش‌های پیشین، تخمین عمر مفید تنها پس از ایجاد خرابی اولیه در بلبرینگ ممکن بوده است، در حالی که شرایط واقعی بهره‌برداری معمولاً همراه با نویز زیاد است و تشخیص عیوب اولیه را بسیار دشوار می‌کند. در این پژوهش، روش جدیدی برای تخمین عمر باقی‌مانده بلبرینگ‌های صنعتی ارائه شده است که با استفاده از توابع مود ذاتی، توانایی تشخیص عیوب در مراحل اولیه بهبود یافته است. در این روش، سیگنال‌های ارتعاشی بلبرینگ ابتدا با استفاده از روشی به نام تجزیه به توابع مود ذاتی تحلیل می‌شوند و یکی از این توابع که بیشترین تأثیر در نمایش روند خرابی و عیب را دارد، با روش پیشنهادی مبتنی بر انرژی انتخاب می‌شود. سپس واریانس آن تابع محاسبه شده و تابع ویبول بر روی آن برازش می‌شود. داده‌های حاصل برای آموزش شبکه عصبی مورد استفاده قرار می‌گیرند و نتایج به کمک هموارسازی نمایی بهبود می‌یابند. ارزیابی این الگوریتم با داده‌های تجربی نشان می‌دهد که مدل به خوبی قادر است روند خرابی بلبرینگ را پیش‌بینی کرده و عمر باقی‌مانده را با دقت مناسب تخمین بزند.. https://mej.aut.ac.ir/article_5745_46936add066bd6422b3ac74a0ccb7174.pdf