پيش‌بيني زمان از كار افتادگي ماشين‌آلات دوار با استفاده از سيستم هوشمند

Prediction of Rotating Machineries Failure by Intelligent Systems

خرابي ماشين‌آلات در كارخانه‌ها گاه به توقف خط توليد منجر مي‌شود و ضرر مالي زيادي را به‌دنبال دارد. عمليات پيشگيرانه به‌منظور جلوگيري از وقوع خرابي، نقشي مهم در افزايش طول عمر ماشين‌آلات و كاهش هزينه‌ها دارد. همچنين، پيش‌بيني زمان ازكارافتادگي تجهيزات، مهندسان تعميرات و نگهداري (نت) را قادر مي‌سازد تا قبل از توقف كامل دستگاه براي تعمير يا جايگزيني تجهيزات اقدام كنند و از اين‌رو از هزينة تعميرات اساسي جلوگيري شود (سيستم نت بر مبناي وضعيت) (CBM). اهميت اين امر در ماشين‌آلات دوار از جمله پمپ‌ها، توربين‌ها بخار، كمپرسورها و... به‌دليل ماهيت عملكرد آن‌ها بيشتر است. از اين‌رو، در اين تحقيق عمر مفيد باقيمانده (RUL) پمپ‌هاي توربيني واحد الفين شركت پتروشيمي پارس براساس وضعيت سلامت ياتاقان‌ها با روش شبكة عصبي مصنوعي و ماشين بردار پشتيبان (SVM) پيش‌بيني مي‌شود. ابتدا براساس مقدار مؤثر (RMS)، مقدار متوسط، مقدار پيك و كرست فاكتور يكي از ياتاقان‌هاي پمپ مدل پيش‌بيني ايجاد شده و درادامه براساس مدل ايجادشده و روش‌هاي مذكور RUL چهار ياتاقان ديگر پمپ با دقت بالايي پيش‌بيني شده است. نتايج نشان مي‌دهد دقت پيش‌بيني با روش SVM نسبت به روش شبكة عصبي تك لايه بيشتر است.

Failure of machines, due to stopping the production line, results in financial losses. Preventive maintenance, significantly extends the machineries life, and reduces the costs. On the other hand, predicting the remaining useful life (URL) of the equipment and machineries, provides adequate time for maintenance engineers to repair or replace the parts before failure occurs, and avoid the overhaul costs (conditional-based maintenance). These actions are more important for rotary machines such as turbines, pumps and compressors, than the others. Hence, in this paper, we predict the URL of the Olefin unit of Pars Petrochemical Company turbine pumps based on the bearings health by artificial neural networks (ANN) and support vector machine. First, we provided the prediction model by the RMS, mean, peak and crest factor of one bearing, which was used to estimate the RUL of the four bearings using the above methods. Results showed that the accuracy of prediction by SVM method was more than single-layer ANN.