معرفي يك روش مبتني بر يادگيري انتقالي براي تشخيص عيوب تركيبي در پمپ‌هاي گريز از مركز

نظر به اهميت پمپ‌هاي گريز از مركز در صنايع مختلف، عيب يابي آنها داراي اهميت مي‌باشد. در همين راستا، استفاده از سيگنال‌هاي ارتعاشي، كاربرد فراواني در عيب يابي ماشين‌هاي دوار دارد. علاوه بر اين، امروزه با گسترش روز افزون كاربردهاي هوش مصنوعي در زمينه‌هاي مختلف، ارائه روش‌هاي هوشمند براي عيب يابي ماشين‌هاي دوار مورد توجه محققان قرار گرفته است. اكثر روش‌هاي عيب يابي پمپ‌‌هاي گريز از مركز در ادبيات فن براي تشخيص عيوب تنها ارائه شده است. بنابراين در تحقيق حاضر، يك روش جديد مبتني بر يادگيري انتقالي براي عيب يابي تركيبي اين پمپ‌ها معرفي شده است. در اين روش ابتدا تصاوير زمان-فركانسي از روي سيگنال‌هاي ارتعاشي محاسبه شده و سپس يك شبكه عصبي عميق براي طبقه‌بندي اين تصاوير بر حسب نوع عيب معرفي شده است. روند آموزش اين شبكه با يادگيري انتقالي انجام شده است كه باعث كاهش وابستگي شبكه‌ي عميق به تعداد داده ورودي مي‌شود. فرايند يادگيري انتقالي به اين صورت انجام گرفته است كه لايه‌هاي كانولوشني فقط بر روي داده‌هاي عيوب تنها آموزش داده شده و داده‌هاي مربوط به عيوب تركيبي در آموزش لايه‌هاي طبقه‌بندي كننده وارد مي‌شوند. روش پيشنهادي با استفاده از سيگنال‌هاي ارتعاشي يك پمپ گريز از مركز ارزيابي شده و كارايي آن در مقايسه با چند روش ديگر نشان داده شده است. دقت طبقه بندي روش پيشنهادي براي داده‌هاي مربوط به عيوب تنها 100 درصد و و براي داده‌هاي مربوط به عيوب تركيبي، 99.15 درصد بدست آمده است. دقت بالا در تشخيص عيوب تنها و تركيبي، عدم نياز به تعداد داده زياد و عيب يابي در محيط صنعتي واقعي از ويژگي‌هاي بارز روش پيشنهادي مي‌باشد.