تشخيص عيوب بيرينگ توسط روش تجزيه مدهاي تجربي

Bearing Fault Detection Using Empirical Mode Decomposition Technique

بلبرينگ ها يكي از قطعات پرمصرف و مهم در صنايع مختلف مي باشند. تشخيص به موقع عيوب بلبرينگ ها مي تواند از خسارات جاني و مالي جلوگيري كند. شناسايي عيوب در بلبرينگ ها به ويژه در مراحل اوليه و زمانيكه سيگنال غيرخطي و غيرايستا باشد بسيار مشكل است. يكي از روش هاي تشخيص عيب اين قطعات از طريق آناليز ارتعاشات مي باشد. در اين مقاله از روش تجزيه تجربي مدها كه روشي جديد براي پردازش سيگنال هاي غير خطي و غير ايستا مي باشد استفاده شده است. روش تجزيه تجربي مدها در سال 1998 توسط آقاي هوآنگ ابداع شد. در اين پژوهش به كمك روش فوق، سيگنال اوليه مربوط به حالت بلبرينگ سالم و حالت بلبرينگ معيوب به توابع مد ذاتي تجزيه شد. با بررسي و تحليل توابع مد ذاتي از ميان 8 تابع مد ذاتي به دست آمده از هر سيگنال، اولين تابع مد ذاتي براي حالت بلبرينگ سالم و نيز حالت بلبرينگ معيوب تحت بار هاي متفاوت صفر تا سه اسب بخار انتخاب گرديد. از تابع مد ذاتي اول شش ويژگي در حوزه زمان استخراج گرديد. اين ويژگي ها براي حالت بلبرينگ سالم و نيز وضعيت بلبرينگ معيوب براي حلقه خارجي، حلقه داخلي و ساچمه تحت بارهاي صفر تا سه اسب بخار محاسبه و انتخاب گرديد. ويژگي ها به عنوان بردار ورودي به شبكه انفيس براي تشخيص عيوب به كار برده شد. سيستم انفيس طراحي شده توانست با تحليل سيگنال هاي پيش پردازش شده حالات مختلف را با دقت100% تشخيص دهد. نتايج به دست آمده از اين تحقيق مي تواند به عنوان روشي جديد درعيب يابي بلبرينگ هاي ماشين آلات دوار مورد استفاده قرار گيرد.

Bearings are the most important and most used components in different industries. Early bearing fault diagnosis can prevent human and financial losses. One of the best methods for fault diagnosis of these elements is via vibration analysis. In this paper Empirical Mode Decomposition (EMD) which is a fairly new signal processing method of nonlinear and nonstationary signals is used for analyzing vibration signals extracted from bearings. This method was proposed by Huang in 1998. In this research, extracted signal from healthy and faulty bearings are decomposed in to empirical modes. By analyzing different empirical modes from 8 derived empirical modes for healthy and faulty bearings under different load conditions from zero to three horsepower, the first mode has the most information to classify bearing condition. From the first empirical mode six features in time domain were calculated for healthy bearing, bearing with inner race fault, bearing with outer race fault and bearing with ball fault. These eight features were used as input vector to a designed ANFIS network for bearing condition classification. The ANFIS network was able to detect different condition of bearing with 100% precession.