استفاده از روش هاي هوشمند فازي عصبي و شبكه هاي عصبي چند لايه در تشخيص عيوب اصلي ماشين هاي دوار

Implementation of Neuro– Fuzzy and Multi-Layer Perceptron System Intelligent Techniques for Main Fault Diagnosis of Rotating Machinery

امروزه عيب يابي ماشين هاي دوار از راه تشخيص علايم شروع و رشد عيب با استفاده از روش هاي هوشمند، شناسايي علت و قطعات آسيب ديده و پيشگويي ميزان عمركاري باقيمانده ماشين، نقش مهمي در جلوگيري از آسيب ديدگي شديد ماشين و هزينه هاي بالاي تعميرات بر عهده دارند. هدف اين تحقيق نيز استفاده از ساختار هوشمند شبكه هاي فازي- عصبي و عصبي چند لايه در تشخيص عيوب اصلي ماشين هاي دوار از جمله نابالانسي، ناهمراستايي، خرابي بيرينگ و لقي مكانيكي است. لذا در اين تحقيق علاوه بر ايجاد روشي خودكار براي تشخيص عيب، در جهت افزايش دقت و سرعت اين شبكه ها نيز تلاش شده است. در اين راستا، با استفاده از روش تحليل اجزاي اصلي ابعاد ماتريس ورودي در حد مطلوب كاهش داده شد و نيز كارايي دو شبكه هوشمند فازي- عصبي و عصبي چند لايه، در تشخيص عيوب با يكديگر مقايسه شد. جهت دست يابي به هدف فوق، شبكه هاي گفته شده با استفاده از بردارهاي ويژگي و مشخصات استخراج شده از طيف هاي فركانسي و موج هاي زماني، آموزش ديده شدند. نتايج نشان داد كه براي 84 مورد اندازه گيري نهايي، شبكه هاي فازي- عصبي و عصبي چند لايه به ترتيب داراي ميانگين 91 و 78 درصد موفقيت در تشخيص درست عيوب بودند.

Nowadays, Fault detection of rotating machinery by diagnosing sings of starting point and growth of defect using intelligent techniques, discovering the defected parts and the reason behind them and prediction of remaining working life of the machine play an important role in preserve the machine from severe defects and the high price of repairing it. The goal of this paper is using the Adaptive Neural - Fuzzy Inference Systems (ANFIS) and Multi-Layer Perceptron (MLP) for detecting the original defects in rotating machines including unbalancing, Bearing defects, Looseness and misalignment. So, in this study addition to the creation of this mechanism for automatic fault diagnosis, improve accuracy and speed of the network was also performed. Therefore, using the Principal Component Analysis (PCA), the input matrix was reduced to acceptable amont and the effectiveness of the ANFIS and MLP networks in detection of defects were compared with each other. To achieve this goal, mentioned networks were trained using feature vectors extracted from the spectrum frequency and waves. The obtained results showed that for 84 final measurements, the ANFIS and MLP networks have 91 and 78 averages percent successful in detecting the defects, respectively.