تشخيص شرايط محيطي نامناسب موثر بر عملكرد تسمه زمانبندي موتور بر اساس تحليل ارتعاشات

Diagnosis and classification of effective abnormal environmental conditions on timing belt performance based on vibration signals

تسمه زمانبندي يكي از قطعات بسيار حساس خودروهاي امروزي است. دماي گرم و بيش‌باري دوحالت كاري رايج در موتور هستند كه باعث خستگي، فرسايش و خرابي ناگهاني تسمه زمانبندي و در نتيجه آسيب رسيدن به موتور مي‌گردد. در اين مقاله روشي هوشمند براي تشخيص دو حالت بيش‌باري و دماي گرم در محيط كاري تسمه زمانبندي با استفاده از علامت‌هاي ارتعاشي آن معرفي شده است. روش ارايه شده در اين پژوهش بر اساس تلفيقي از تحليل‌هاي تجربي، داده‏كاوي از علامت‌هاي حوزه زمان و شبكه عصبي مصنوعي طراحي شده است. بدين منظور ابتدا علامت‏هاي ارتعاشي تسمه در سه حالت شرايط عادي، بيش‌باري موتور و محيط گرم؛ با ارتعاش‌سنج نوري اندازه‌گيري شد. سپس در مرحله داده‏كاوي پنج ويژگي آماري ميانگين، انحراف از معيار، ريشه ميانگين مربعات، گشتاور چهارم و شاخص ضربه از علامت‌هاي ارتعاشي استخراج شدند. از ويژگي‌هاي استخراج شده به عنوان ورودي شبكه عصبي به منظور تشخيص و طبقه‏بندي حالات مذكور استفاده شد. در نهايت شبكه عصبي با دقت ميانگين 76% توانست عيوب مذكور تسمه زمانبندي موتور را تشخيص بدهد. نتايج اين پژوهش نشان مي‌دهد كه با استفاده از روش‌هاي هوشمند مي‌توان به عيب‌يابي تسمه‌ها پرداخت و از اين گذر موتور را از آسيب‌هاي جدي ناشي از خرابي آنها حفظ نمود.

The Timing belt is one of important parts of modern cars. "Heat extreme" and "overloading" are two common faults of these belts, which cause fatigue, erosion, sudden failures, and consequently damages to the engine. The present article introduces an intelligent method to diagnose these two major faults of belts, using vibration signals. The method presented in this research was designed based on a combination of experimental analyses, data mining of time domain signals and the artificial neural network (ANN) classifier. To do so, firstly, vibration signals of the belt were measured by a laser sensor in three conditions: (1) normal condition, (2) belt overloading and (3) heat extreme. In the data mining stage, five statistical features including mean, standard deviation, root mean square (RMS), kurtosis and impulse factors were extracted from vibration signals. Extracted features were used as ANN inputs to the fault diagnosis and the classification of different defects of the belt. Finally, the ANN, with the average accuracy of 76%, could diagnose and classify relevant faults in the timing belt of an engine. Results showed that intelligent methods could be used to diagnose faults of belts and therefore, to protect engines from serious damages, caused by their failures.