شناسايي عيب در شمع موتور با استفاده از تحليل ارتعاش به كمك شبكه عصبي

Fault diagnosis in engine spark plug by vibration analysis using neural network

يكي از قطعات تاثيرگذار بر روي كيفيت احتراق شمع هايند، به طوري كه اگر شمع‌ها سالم نباشند مي‌توانند تاثير سويي بر آلايندگي و بازده موتور داشته باشند. در اين مقاله با هدف جلوگيري از اثرات سو شمع هاي معيوب، روشي بر پايه تحليل ارتعاش براي شناسايي عيب در شمع موتور ارايه مي-شود. داده هاي ارتعاش موتور به كمك حسگر شتاب سنجي در شرايط شمع سالم و معيوب، ذخيره شدند. به دليل وجود نوفه هاي شديد، روش حذف نوفه به منظور بهبود پردازش علايم بكار گرفته شد. سپس براي به دست آوردن اطلاعات مفيد تشخيصي از داده هاي پردازش شده، روش استخراج ويژگي به كمك متغيرهاي آماري استفاده شد. در اين تحقيق هفت ويژگي بيشينه، ميانگين، انحراف معيار، واريانس، چولگي، كورتسيس و شاخص ضربه در مرحله استخراج ويژگي به كار گرفته شد. شبكه عصبي با هفت عصب درلايه ورودي تحت آموزش قرار گرفت. پس از ايجاد ساختار بهينه، عملكرد شبكه طراحي شده آزمايش شد. نتايج نشان دادند كه دقت كافي در تشخيص شمع معيوب به دست آمد. بنابراين مي توان ذكر كرد كه روش پيشنهاد شده مي تواند به طور قابل اطميناني براي شناسايي عيب در شمع موتور استفاده شود.

The spark plug condition is an effective parameter on the combustion quality of a spark ignition (SI) engine. If the condition of the spark plug becomes abnormal, pollutions and the efficiency of the engine will be affected. In the present paper, a procedure is proposed based on the vibration analysis for the spark plug fault detection. Vibration signals of the SI engine were collected by an accelerometer under two spark plug conditions, namely, normal and abnormal conditions. In order to remove noises from signals, the wavelet denoising technique was used. Then, the feature extraction method by statistical parameters was applied to obtain fault-indicating information. In this work, seven feature parameters were employed in the feature extraction stage, namely, maximum, mean, standard deviations, the variance, the skewness, Kurtosis and impulse factors. The neural network (NN) was trained with seven neurons in the input layer. After constructing the optimum structure, the performance of the network was tested. Results showed that a high level of the efficiency was gained in the spark plug fault detection. Therefore, it can be mentioned that the proposed approach could reliably be used for the fault identification in the engine spark plug.