بررسي رفتار ارتعاشي تسمه زمانبندي در طول آزمون دوام به كمك شبكه عصبي مصنوعي

Analysis of Timing Belt Vibrational Behavior During a Durability Test Using Artificial Neural Network (ANN)

در اين پژوهش براي نخستين بار به معرفي روشي هوشمند جهت تخمين عمر مفيد باقيمانده تسمه زمانبندي يك موتور درونسوز بر اساس سيگنال هاي ارتعاشي آن پرداخته شده است. بدين منظور آزمون دوام شتاب دار تسمه زمانبندي بر اساس دما و پيش كشش بيشتر معرفي و انجام شد. سپس آزمون دوام آغاز و سيگنال هاي ارتعاشي تسمه زمانبندي از حالت سالم تا خرابي توسط يك حسگر ليزري فاصله سنج ارتعاشي ثبت شد. سه تابع ويژگي به نام هاي انرژي، انحراف از معيار و كورتوسيس از سيگنال هاي ارتعاشي در حالات سالم و خرابي استخراج گرديد و بدين ترتيب حد آستانه بروز عيب در تسمه زمانبندي نيز تعريف شد. از شبكه عصبي مصنوعي (ANN) جهت پايش و تخمين رفتار ارتعاشي سيگنال هاي ارتعاشي تسمه زمانبندي استفاده شد. در نهايت شبكه عصبي مصنوعي بر پايه ويژگي هاي انرژي، انحراف از معيار و كورتوسيس سيگنال هاي ارتعاشي به ترتيب توانست با دقت ميانگين 98%، 98% و 97% به تخمين عمر مفيد باقيمانده تسمه زمانبندي موتور درونسوز بپردازد. ضريب همبستگي (R2) تخمين سري هاي زماني ارتعاشي تسمه زمانبندي توسط شبكه عصبي و بر پايه ويژگي هاي انرژي، انحراف از معيار و كورتوسيس سيگنال هاي ارتعاشي نيز به ترتيب 0.87، 0.91 و 0.87 به دست آمد. همچنين ميزان موثر سيگنال خطاي (RMSE) شبكه عصبي بر پايه ويژگي هاي انرژي، انحراف از معيار و كورتوسيس سيگنال هاي ارتعاشي به ترتيب 3.6%، 5.4% و 5.6 % به دست آمد.

In this research, an intelligent method is introduced for prediction of remaining useful life of an internal combustion engine timing belt based on its vibrational signals. For this goal, an accelerated durability test for timing belt was designed and performed based on high temperature and high pre tension. Then, the durability test was began and vibration signals of timing belt were captures using a vibrational displacement meter laser device. Three feature functions, namely, Energy, Standard deviation and kurtosis were extracted from vibration signals of timing belt in healthy and faulty conditions and timing belt failure threshold was determined. The Artificial Neural Network (ANN) was used for predicting and monitoring vibrational behavior of timing belt. Finally, the ANN based on Energy, Standard deviation and kurtosis features of vibration signals could predict timing belt remaining useful life with accuracy of 98%, 98% and 97%, respectively. The correlation factor (R2) of vibration time series prediction by ANN and based on Energy, Standard deviation and kurtosis features of vibration signals were determined as 0.87, 0.91 and 87, respectively. Also, Root Mean Square Error (RMSE) of ANN based on Energy, Standard deviation and kurtosis features of vibration signals was calculated as 3.6%, 5.4% and 5.6%, respectively.