تشخيص و دسته‌بندي عيوب ياتاقان‌هاي شيار عميق ساچمه‌اي با استفاده از تبديل موجك و سيستم عصبي- فازي تطبيقي

Fault diagnosis and classification of deep groove ball bearings using wavelet transform and adaptive neuro-fuzzy system

امروزه، تشخيص دقيق و سريع عيب، يكي از مسايل اساسي در صنعت است. تاكنون، الگوريتم‌هاي پيشرفته بسياري بدين منظور به‌كار گرفته شده‌اند كه بيشتر داراي پيچيدگي بسياري بوده و يا نتايج مطلوبي را درپي نداشتند. پژوهش حاضر، روشي نوين جهت تشخيص عيب ياتاقان‌هاي موتورهاي الكتريكي صنعتي و دسته‌بندي آن‌ها براساس قطر عيب و محل آن ارايه مي‌كند. در بخش ابتدايي، سيگنال ارتعاشي مرتبط با عيوب مختلف به‌صورت آزمايشگاهي براي دو ياتاقان ساچمه‌اي شيار عميق استاندارد متصل به سمت شفت گردنده و سمت محرك در حالت‌هاي معيوب و سالم استفاده شده و سپس، در بخش دوم، به دليل وجود نويز بالا در سيستم، از تبديل موجك ساده تك‌بعدي مير جهت تحليل سيگنال در حوزه فركانس و زمان استفاده شده و در نتيجه ضرايب حاصل از تبديل موجك منحصر به هر سيگنال استخراج گرديده است. در قدم بعدي، اين ضرايب به بخش سوم، كه يك سيستم عصبي- فازي تطبيقي است، جهت دسته‌بندي نوع عيب، داده شده و تفكيك‌پذيري بر‌اساس ميزان عيب موجود در شيار و يا ساچمه انجام گرفته است. در اين بخش، قابليت‌هاي اصلي سيستم فازي و شبكه عصبي، يعني مقابله با عدم قطعيت و انعطاف‌پذيري، به‌منظور افزايش ميزان دقت و مقابله با نويز در امر عيب‌يابي تركيب شده است. بخش چهارم اين پژوهش نيز به بررسي عملكرد سيستم با تحليل سيگنال‌هاي جديد آزمايشگاهي و درنهايت مقايسه اين نتايج با كارهاي پيشين اختصاص يافته است. نتايج حاصل، حاكي از دقت بالا و قابليت تفكيك و دسته‌بندي بهتر روش ارايه شده است.

Today, fast and accurate fault detection is one of the major concerns in industry. Although many advanced algorithms have been implemented in the past decade for this purpose, they were very complicated or did not provide the desired results. Hence, in this paper, we have proposed an emerging method for deep groove ball bearing fault diagnosis and classification. In the first step, the vibration test signals, related to the normal and faulty bearings have been used for both the drive-end and fan-end bearings of an electrical motor. After that, one dimensional Meyer wavelet transform has been employed for signal processing in the frequency domain. Hence, the unique coefficients for each kind of fault were extracted and directed to the adaptive neuro-fuzzy system for fault classification. The intelligent adaptive neuro-fuzzy system was adopted to enhance the fault classification performance due to its flexibility and ability in dealing with uncertainty and robustness to noise. This system classifies the input data to the faults in the race or the balls of each of the fan-end and the drive-end bearings with specific fault diameters. In the final part of this study, the new experimental signals were processed in order to verify the results of the proposed method. The results reveal that this method has more accuracy and better classification performance in comparison with other methods proposed in the literature.