پایش وضعیت یاتاقان‌ های غلتشی با استفاده از مدل یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی مکانیک، دانشگاه صنعتی اصفهان

2 دانشکده مهندسی مکانیک، دانشگاه صنعتی اصفهان ، اصفهان، ایران

3 صنعتی اصفهان-مهندسی مکانیک

4 پژوهشکده سیستم‌های مکاترونیک، دانشگاه علمی کاربردی زوریخ، زوریخ، سوئیس

10.22060/mej.2021.20023.7153

چکیده

در سال‌های اخیر با ظهور انقلاب صنعتی چهارم و توسعه فناوری‌های هوش مصنوعی، رویکردهای نوینی در زمینه نگه‌داری و تعمیر افزارگان معرفی‌شده‌اند؛ که از آن جمله می‌توان به همزاد دیجیتال اشاره نمود. اولین گام برای ایجاد همزاد دیجیتال یک افزار، ساخت شاخص‌های کمّی و کیفی است که برای توصیف لحظه‌ای افزار در طی مدت بهره‌برداری به کار می‌رود. در این پژوهش یک روش نوین برای ساخت شاخص سلامت افزارگان براساس اندازه‌گیری ارتعاشات و مدل‌های یادگیری عمیق معرفی‌شده است. برای این منظور داده‌های ارتعاشی خام تجهیز با استفاده از تبدیل موجک پیوسته به تصاویر دوبعدی تبدیل خواهند شد. سپس با استفاده از یک مدل یادگیری عمیق، میزان تفاوت تصاویر وضعیت سالم و معیوب افزار تشخیص داده‌شده و شاخص سلامت ایجاد می‌شود. مدل ارائه شده می‌تواند به‌صورت خودکار شاخص سلامت را ایجاد نماید و نیازمند دانش متخصص خبره برای تفسیر نتایج آنالیز ارتعاشی نیست. همچنین، آموزش مدل یادگیری عمیق به‌صورت بدون نظارت بوده و تنها با استفاده از داده‌های ارتعاشی وضعیت سالم تجهیز صورت می‌پذیرد و بنابراین نیازمند داده‌های خرابی پیشین نیست. عملکرد مدل پیشنهادشده توسط داده‌های ارتعاشی یاتاقان مورد ارزیابی قرارگرفته که نشان از توانایی قابل‌قبول شاخص سلامت در تشخیص آغاز خرابی و چگونگی روند رشد آن دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A New Machine Learning Method for Ball Bearing Condition Monitoring

نویسندگان [English]

  • Jamshid Parvizian 1
  • mohammadreza kaji esfahani 2
  • Mohammad Silani 3
  • Hans Wernher van de Venn 4
1 Department of Mechanical Engineering. Isfahan University of Technology
2 Mechanical En.g Department,, Isfahan University of Technology, Isfahan, Iran
3 صنعتی اصفهان-مهندسی مکانیک
4 Institute of Mechatronic Systems, Zurich University of Applied Sciences
چکیده [English]

In recent years, with the advent of the Fourth Industrial Revolution concepts and the development of artificial intelligence technologies, new approaches such as digital twin have been introduced. In a digital twin, a virtual counterpart of the physical system during its whole life is created, with abilities such as analyzing, evaluating, optimizing, and predicting. The first step in creating a digital twin model, is to construct a (multi) digital health indicator that describes different aspects of the physical component state during the whole life of the component. In this research, a new method for constructing health indicators based on vibration measurement and a deep learning model has been introduced. For this purpose, the Continuous Wavelet Transform was used to convert the raw vibration signals into two-dimension images; Then, the deep learning model was used to extract features from the images and the health indicator is constructed based on the differences of the images in normal and failure stages. In this article, various Autoencoder architectures are discussed, and it is demonstrated that the Convolutional Autoencoder has better performance in terms of detecting incipient faults. The performance of the proposed model is evaluated by the vibration data of the bearing, and the constructed health indicator exhibited a monotonically increasing degradation trend and had good performance in terms of detecting incipient faults.

کلیدواژه‌ها [English]

  • Condition monitoring
  • Artificial Intelligence
  • Deep learning
  • Vibration analysis
  • Digital twin