تخمين عمر مفيد باقي‌مانده ياتاقان غلتشي با استفاده از داده‌هاي روش شاك‌پالس و ارتعاشات و به‌كارگيري شبكه عصبي پيشخور

Prognostics of rolling element bearings using shock pulse method and vibration method records and employing feedforward neural-network

تشخيص زودهنگام عيب در ياتاقان‌هاي غلتشي نقش بسيار تاثيرگذاري بر افزايش قابليت اعتماد تجهيزات و بهينه‌نمودن تصميم‌هاي آينده‌ي براي بهره‌برداري از تجهيزات دوار دارد. در دهه‌هاي اخير روشي به ‌نام‌ شاك‌پالس‌ براي تشخيص عيب در ياتاقان‌هاي غلتشي توسعه داده شده است كه قابليت تشخيص رشد عيب از مراحل اوليه را دارد. هدف از انجام پژوهش حاضر، مقايسه بين دقت پيش‌بيني عمر مفيد باقي‌مانده ياتاقان غلتشي تنها با استفاده از داده‌هاي پايش وضعيت ارتعاشات و با استفاده از تركيب داده‌هاي پايش وضعيت ارتعاشات و روش شاك‌پالس‌ مي‌باشد. در اين راستا مجموعه‌اي از آزمايش‌هاي عمر پرشتاب ياتاقان غلتشي روي يك پلتفرم تجربي طرح‌ريزي و انجام شده است. مقادير ارتعاشات و شاك‌پالس‌ تست‌هاي عمر پرشتاب ياتاقان غلتشي همزمان از لحظه شروع تا پايان خرابي به كمك دو سنسور ارتعاشات و شاك‌پالس‌ اندازه‌گيري و روند تغييرات آنها ثبت شده است. سپس با استفاده از شبكه عصبي مصنوعي مدلي براي پيش‌بيني عمر مفيد باقي‌مانده ياتاقان غلتشي توسعه داده شده است و مقايسه‌اي بين استفاده از خصيصه‌هاي آناليز ارتعاشات و شاك‌پالس‌ روي دقت پيش‌بيني انجام گرديده است. در نهايت نشان داده مي‌شود كه استفاده از داده‌هاي روش شاك‌پالس‌ باعث بهبود دقت پيش‌بيني زمان وقوع خرابي ياتاقان‌هاي غلتشي و منجر به نتايج با خطاي كمتر مي‌گردد.

Early fault detection of the rolling element bearings has a very important role in increasing the reliability of rotating machines.It leads to better decision-making for maintenance activities. In recent decades, the shock pulse method has been developed to detect faults in the early stage of rolling element bearings degradation. In this paper, the accuracy of the remaining useful life estimation using extracted features from vibration signals and that from the shock pulse method are compared. In this regard, a set of accelerated life tests on rolling element bearings were designed and performed. Both shock pulse signals and vibration signals of the under-test rolling element bearings were recorded. Then two models based on feed-forward neural-network are developed to predict the remaining useful life of rolling element bearings. In the first model, only extracted features from vibration signals are fed for remaining useful life prediction. In the second model, the extracted features from shock pulse method are fed too. The results show that using shock pulse method-based features improves the accuracy of remaining useful life estimation. Also, using the health indicators extracted from vibration analysis and shock pulse method leads to a better estimating of the degradation behavior.