عیب یابی و پایش وضعیت بلوئر لکوموتیوهای آلستوم با استفاده از آنالیز ارتعاشات و ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی مکانیک، دانشگاه گیلان، گیلان، ایران

2 دانشکده مهندسی مکانیک، دانشگاه یزد، یزد، ایران

3 دانشکده مهندسی برق، دانشگاه یزد، یزد، ایران

چکیده

آنالیز ارتعاشات از کاربردی‌ترین روش‌های پایش وضعیت و عیب‌یابی تجهیزات دوار است‌. در این تحقیق با استفاده از آنالایز ارتعاشات و شبکه‌ی عصبی SVM روشی جهت پایش وضعیت و عیب‌یابی بلوئرهای لکوموتیو ارائه شده است. جهت انجام این تحقیق ابتدا از بلوئرها ارتعاشی شده داده‌برداری و سیگنال‌های دریافتی در چهار گروه بلوئرهای سالم و با عیوب نابالانسی، لقی پایه و تاب پره دسته‌بندی شدند. سپس سیگنال-های دریافتی پردازش شده و تعداد 11 ویژگی فرکانسی و 5 ویژگی زمانی از این سیگنال‌ها استخراج شدند. از آنجایی که در بسیاری موارد نسبت ویژگی‌های استخراج شده می‌تواند به فرایند تشخیص عیب کمک کند، نسبت تمام ویژگی‌ها به هم نیز محاسبه شده و به عنوان ویژگی‌های جدید تعریف شدند. سپس این ویژگی‌ها به عنوان ورودی به شبکه عصبی SVM طراحی شده، داده می‌شوند. تعداد زیاد ویژگی در بسیاری مواقع باعث گیج شدن شبکه عصبی می‌شود‌، به همین دلیل داخل شبکه عصبی یک فیلتر آزمون T قرار داده شده که به انتخاب ویژگی‌های مناسب کمک می‌کند. نتایج به دست آمده نشان می‌دهد که این فیلتر می‌تواند دقت شبکه‌ی عصبی، جهت تشخیص نمونه‌های سالم از معیوب، را از 84.9 درصد به 97.9 درصد افزایش دهد. در انتها جهت تشخیص عیوب مختلف، شبکه عصبی SVM دو کلاسه، با و بدون فیلتر آزمون T اجرا شد که نتایج نشان می‌دهد در تمامی حالات دقت شبکه با فیلتر آزمون T افزایش می‌یابد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Monitoring and Troubleshooting Alstom Locomotive Blowers using Vibration Analysis and Support Vector Machine

نویسندگان [English]

  • Mahdi Zakizadeh 1
  • Ali Jamali 1
  • Mansoor Rafeeyan 2
  • Hamid Saeedi 3
  • Ali Chaibakhsh 1
1 Department of Mechanical Engineering, Guilan University, Guilan, Iran
2 Faculty of Mechanical Engineering, Yazd University, Yazd, Iran
3 Faculty of Electrical Engineering, Yazd University, Yazd, Iran
چکیده [English]

Vibration analysis is one of the most practical methods for condition monitoring and fault detection of rotating equipment. In this research, a method for condition monitoring and fault detection of locomotive blowers is presented which using vibration analysis and SVM neural network. For this point, after the data collection process of vibrating blowers, the received signals were classified into four groups: healthy blowers and with unbalance defects, base looseness and blade warping.

The received signals were also processed and 11 frequency properties and 5 time properties were extracted. The ratio of the extracted properties defined as new properties which can help to fault detection process. These features are then given as input to the SVM neural network. Too many features often confuse the neural network, which is why a T-test filter is placed inside the neural network to help select the right features. The results show that this filter can increase the accuracy of the neural network to distinguish healthy samples from defective ones from 84.9% to 97.9%. Finally, a two-class SVM neural network was implemented, with and without a T-test filter, and we show that the network accuracy increases with a T-test filter in all cases.

کلیدواژه‌ها [English]

  • vibrating analysis
  • fault detection
  • signal processing
  • neural network
  • T Test