پيش‌بيني روند زوال و عمر مفيد باقي‌مانده ي ياتاقان غلتشي با كمك شبكه ي عصبي بازگشتي حافظه ي طولاني كوتاه مدت

P‌R‌O‌G‌N‌O‌S‌T‌I‌C‌S O‌F R‌O‌L‌L‌I‌N‌G B‌E‌A‌R‌I‌N‌G‌S U‌S‌I‌N‌G L‌S‌T‌M N‌E‌U‌R‌A‌L N‌E‌T‌W‌O‌R‌K F‌O‌R P‌R‌E‌D‌I‌C‌T‌I‌N‌G T‌H‌E T‌R‌E‌N‌D O‌F D‌E‌G‌R‌A‌D‌A‌T‌I‌O‌N S‌I‌G‌N‌A‌L

در اين مقاله، بيشينه‌ي دامنه‌ي سيگنال زماني شتاب به‌عنوان مشخصه‌ي ارتعاشي مناسب كه نمايش‌گر خوبي از روند زوال ياتاقان غلتشي است انتخاب شده و به منظور پيش‌بيني روند زوال و عمر مفيد باقيمانده به كار رفته است. در گام نخست با به كار بردن يك انتقال لگاريتمي، اين مشخصه‌ي ارتعاشي به يك سري زماني پايدار تبديل شده است. سپس با كمك شبكه‌ي عصبي بازگشتي حافظه‌ي طولاني كوتاه‌مدت، نحوه‌ي رشد اين مشخصه‌ي ارتعاشي پيش‌بيني شده است. اين پيش‌بيني روي داده‌هاي دو نمونه از ياتاقان‌هاي آزمايش پرونوستيا كه در ادبيات فن شناخته شده بوده و مورد استفاده محققين بسياري قرار گرفته، اعمال شده است. با توجه به نتايج پيش‌بيني مدل، مدت زمان باقيمانده تا رسيدن اين مشخصه‌ي ارتعاشي به يك آستانه‌ي معين ارائه شده است. همچنين اگر آستانه‌ي تعيين شده به معني پايان عمر مفيد ياتاقان باشد، مي‌توان از الگوريتم پيشنهاد شده به منظور تخمين عمر مفيد باقيمانده نيز بهره جست. نحوه‌ي عملكرد الگوريتم در راستاي اين هدف نيز ارائه و ارزيابي شده است.نتايج حاكي از مطابقت خوب پيش‌بيني مدل با داده‌هاي تجربي است.

This paper proposes a remaining useful life (RUL) prediction method that uses the peak of the vibration acceleration signal as an appropriate feature to indicate the degradation process in the rolling element bearings (REBs). In the first step, this feature is transformed into a stationary time series using logarithmic transformation. That is because the long short-term memory neural network (LSTM-NN) works better with the stationary time series. Training the LSTM-NN is performed by this stationary time series as the input and the response is the training time series with values shifted by one time step. Therefore, the LSTM-NN learns to predict the value of the next time step at each point. In other words, to forecast the values of multiple time steps in the future, previous forecasted steps are used as inputs. Next, the values of the future time steps are returned to the main non-stationary form to predict the trend of the peak in the future. Importantly, new measured data can be used to perform new predictions. For this purpose, for every new measured data, the LSTM-NN repeats the mentioned steps and generates a new trend. This algorithm is a trend-dependent method. Therefore, an REB that has a slow degradation stage in its life, which is corresponding to the growth and expansion of defects in REBs, is appropriate to be studied by this algorithm. This method is implemented on two REBs from PRONOSTIA accelerated-life test which have been used by many researchers in the literature. According to the prediction results, the remaining time that peak amplitude trend touches a given threshold is provided. If this threshold is a criterion for the end of life (EoL), this method can be used to determine the RUL. The performance of the proposed method has been evaluated and the presented results are in a good agreement with the experimental data. Keywords: Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Remaining Useful Life (RUL), Time series forecasting, Bearing accelerated-life test