شناسایی پدیده‌ی کاویتاسیون در پمپ های گریز از مرکز چند مرحله ای به کمک روش شبکه ایمنی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 علم و صنعت*مهندسی مکانیک

2 دانشجوی ذکتری/دانشگاه علم و صنعت

3 دانشگاه علم و صنعت

چکیده

کاهش هزینه های حاصل از خرابی و از کارافتادگی ناگهانی تجهیزات و افزایش قابلیت اطمینان سیستم ها، یکی از اهداف مهم در صنایع مختلف است که می‌توان با کمک استقرار سیستم های پایش وضعیت و تشخیص عیب به آن دست یافت. کاویتاسیون یکی از پدیده های رایج در پمپ های گریز از مرکز است که موجب ایجاد خرابی شده و شناسایی صحیح آن در مراحل اولیه از اهمیت بالایی برخوردار می‌باشد. در این مقاله با کمک روش شبکه ایمنی مصنوعی که از عملکرد سیستم ایمنی بدن انسان الگو گرفته شده به شناسایی پدیده کاویتاسون در یک پمپ گریز از مرکز چند مرحله ای پرداخته شده است. برای این منظور پس از جمع-آوری داده ها به کمک مجموعه آزمایشگاهی و استخراج ویژگی های مختلف، با کمک روش ایمنی مصنوعی به انتخاب ویژگی و کاهش ابعاد پرداخته شده و سپس با کمک این روش حالت سیستم شناسایی گردید. در نهایت نتایج حاصل از آن با روش PCA و نتایج روش های ماشین بردار پشتیبان غیر خطی، شبکه عصبی مصنوعی چند لایه، K-means و FCM مقایسه گردیده است

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identification of Cavitation phenomenon in centrifugal pump by Artificial Immune Network method

نویسندگان [English]

  • mohammad riahi 1
  • seyed mostafa matloobi 2
  • Hamed sadeghi 3
2 PhD student/IUST
3 IUST
چکیده [English]

Reduce the cost of unscheduled shutdown and enhance the reliability of systems, is one of the important goals for various industries that could be achieved by condition monitoring. Cavitation is a common phenomenon in centrifugal pumps which causes the damage and its true identification in early stage is too important and help to increase the life of pump. In this paper cavitation is identified by use of Artificial Immune Net (AIN) that is modeled on the function of the human immune system. For this purpose, first data collection were done by a laboratory setup and various features extracted form vibration and current signals, in next step, feature selection and dimensions reduction were done by artificial immune method, then with AIN method, the system condition was identified. Finally, for comparing the results of this study with other methods, first feature selection and dimensions reduction were down by the PCA method then fault detection were down by nonlinear supportive vector machine (SVM), multi-layer artificial neural network (MLP), K-means and FCM methods with features of PCA and AIN methods. The results shown that AIN methods have more precise than other methods.

کلیدواژه‌ها [English]

  • Condition monitoring
  • Cavitation
  • Artificial Immune Net
  • ClonalG