تشخيص تجربي عيب و دسته‌بندي اندازه آن در حلقه خارجي ياتاقان غلتشي تماس زاويه‌اي با روش نشر صوتي و شبكه عصبي مصنوعي

Experimental Detection and Size Classification of Defects on Outer Race of Angular Contact Ball Bearing Using Acoustic Emission Signals with Artificial Neural Network

در اين مقاله، تشخيص تجربي عيب و دستهبندي اندازه آن در حلقه خارجي ياتاقان غلتشي تماس زاويه‌اي با روش نشر صوتي و شبكه عصبي مصنوعي ارايه شده است. در يك سيستم آزمايشگاهي، ياتاقان‌ها در چهار سرعت 600، 900، 1200 و 1500دور در دقيقه با چهار بارگذاري از كم به زياد بارگذاري شدند. بارگذاري به‌كمك 4 عدد پيچ با گشتاورهاي مساوي و مشخص به حلقه خارجي اعمال شدند. اين نوع بارگذاري به‌دليل اينكه ياتاقان تماس زاويه‌اي است به بارگذاري تركيبي شعاعي و محوري به‌صورت همزمان تبديل مي‌شود و با بارگذاريهاي مرسوم در ياتاقانهاي شيار عميق متفاوت است. امواج نشر صوتي به‌كمك حسگرهاي باند پهن، در دو حالت سالم و معيوب ثبت ميشود. بنابراين براي تشخيص عيب، ميتوان حالتهاي مختلف را با حالت سالم مقايسه كرد. براي ايجاد عيب‌كندگي به‌صورت مصنوعي، از روش اسپارك استفاده شد. در بررسي نتايج پارامتر جديدي به‌منظور افزايش بازده تشخيص عيب و دستهبندي اندازه آن، به نام مجموع زمان بالاي حد آستانه معرفي شد. با كمك پارامتر معرفي‌شده و 4 پارامتر نشر صوتي و با استفاده از شبكه عصبي مصنوعي، عملكرد سامانه هوش مصنوعي در تشخيص عيب 95/1% و در دستهبندي اندازه عيب 94/4% بود.

In this paper, experimental defect diagnosis and the classification of its size in the outer race of angular contact ball bearing with acoustic emission method and artificial neural network are presented. In an experimental system, bearings are loaded at four speeds of 600, 900, 1200, and 150orpm with four loads from low to high. Loads are applied to the outer race with the help of four bolts with equal and specific torques. Since the bearing is angular type, this type of loading is converted to radial and axial combined loading simultaneously and differs from conventional loads in deep groove bearings. Acoustic emission waves are recorded using broadband sensors in two states, healthy and defective. Therefore, to diagnose the defect, different states can be compared with the healthy. The spark method was used to create an artificially seeded defect. In analyzing the results, a new parameter called “the total time above threshold” was introduced to increase the efficiency of defect diagnosis and classification of its size. With the help of the introduced parameter and 4 conventional acoustic emission parameters and using an artificial neural network, the performance of the artificial intelligence system was 95.1% in defect diagnosis and 94.4% in defect size classification