عيب يابي تجربي بلبرينگ با استفاده از مشخصه هاي رفتار آشوبناك سيگنال ارتعاشي

Experimental fault detection of a ball bearing using the chaotic behavior features of a vibration signal

تشخيص عيب در بلبرينگ ها بويژه در مراحل اوليه با سيگنال هاي ارتعاشي غيرساكن و پيچيده ي همراه با نويز بسيار مشكل است. همچنين، بسياري از مكانيزم هاي شكست و شرايط عملياتي نامطلوب در بلبرينگ ها شامل ويژگي هاي ديناميكي غيرخطي مي باشند. يكي از رفتارهاي ديناميكي كه در سيستم هاي غيرخطي رخ مي دهد، رفتار آشوبناك مي باشد. در اين مقاله، به بررسي رفتار آشوبناك سيگنال هاي ارتعاشي بلبرينگ پرداخته شده است. براي بررسي كيفي رفتار آشوبناك از فضاي فاز بازسازي شده استفاده شده است. براي كمّي سازي رفتار آشوبناك، مشخصه هاي رفتار آشوبناك استخراج شده است تا اطلاعات بهتري از وضعيت عيب ارايه دهد. اين مشخصه ها شامل بزرگترين نماي لياپانوف، آنتروپي تقريبي و بُعد همبستگي مي باشند. براي سنجش كارايي اين مشخصه ها، از آن ها براي تشخيص و شناسايي عيب در يك مجموعه داده تجربي از بلبرينگ استفاده شده است. نتايج نشان مي دهد كه اين مشخصه ها اطلاعات خوبي از عيب و نوع آن دارند و به خوبي انواع عيوب را تشخيص داده و شناسايي مي كنند. همچنين اين روش نسبت به تغييرات بار بر روي بلبرينگ، مقاوم بوده و براي همه بارها نتايج خوبي ارايه مي دهد. نتايج نشان مي دهد كه اين روش قابليت تعميم دهي خوبي براي ديگر شرايط كاري را دارد.

Fault detection of ball bearings by the complex and non-stationary vibration signals with noise is very difficult, especially in the early stages. Also, many failure mechanisms and various adverse operating conditions in ball bearings involve significant nonlinear dynamical properties. The quality of chaotic vibration of ball bearings is studied by the reconstructed phase space. The phase space demonstrates different chaotic vibration of ball bearing for different healthy/faulty conditions. However, to easily use this procedure in the ball bearing fault detection, the chaotic behavior of vibration signal is quantified by a set of new features. The new set of features based on chaotic behavior, including the largest Lyapunov exponent, approximate entropy and correlation dimension is extracted to acquire more fault characteristic information. The effectiveness of the new features based on chaotic vibrations in the ball bearing fault detection is demonstrated by the experimental data sets. The proposed approach can reliably recognize different fault types and have more accurate results. Also, the performance of the new procedure is robust to the variation of load values and shows good generalization capability for various load values.