سیستم هوشمند پایش وضعیت بلبرینگ با استفاده از طیف‌نگاره صوتی جهت طبقه‌بندی و تشخیص خطای بلبرینگ ها

کد مقاله : 1204-ICME2025

نویسندگان

مهدی اوستاد، امیر راستی *، آرمین رضایی دانشگاه تربیت مدرس

چکیده مقاله

مشکلات در بلبرینگ‌ها یکی از دلایل اصلی خرابی در ماشین‌آلات دوار هستند. بنابراین، تقاضای فزاینده‎ای برای تشخیص خرابی بلبرینگ‎ها به منظور جلوگیری از خرابی در ماشین‎آلات دوار وجود دارد. اگرچه مطالعاتی در زمینه تشخیص خرابی بلبرینگ‌ها با استفاده از اندازه‎گیری دما ومانیتورینگ ارتعاشات انجام شده است،عموما این روش‎ها محدودیت‎هایی دارند. بنابراین، بسیاری از محققان به مطالعه مانیتورینگ صوت برای تشخیص خرابی بلبرینگ‎ها پرداخته‎اند. در میان این روش‎ها، ضرایب کپسترال فرکانس مل (MFCCs)، طیف‎نگاره های صوتی و شبکه‎های عصبی پیچشی دو بعدی (CNNs) توجه زیادی را در طرح‎های مانیتورینگ ارتعاش و صوت به خود جلب کرده اند. این در حالی است که، MFCC در مطالعات موجود نیاز به نرخ نمونه‎برداری بالا و استفاده از باند فرکانسی وسیع دارد. در این مطالعه، فرآیند طیف‎نگاری با تأکید بر ویژگی‎های فرکانسی و حذف نویز های مختلف با استفاده از فیلترهای فرکانسی و همچنین یک شبکه عصبی CNN برای حل این مشکلات پیشنهاد شده است. فرآیند طیف‎نگاری صوتی یک باند فرکانسی را تحلیل کرده و تصاویر با وضوح پایین تولید می‎کند. CNN بهینه‌سازی شده با لایه های پیچشی و تماما متصل طراحی شده است. نتایج تجربی دقت 0.9988را برای سیستم پیشنهادی نشان دادند. مدل CNN بهینه سازی شده دارای پارامترهای 622.77 کیلوبایت و FLOPs برابر با 1.74 × 10^6 است. نشان داده شده است که سیستم تشخیص خرابی بلبرینگ پیشنهادی می‌تواند با پیچیدگی کم به دقت بالا دست یابد. بنابراین، ما یک طرح تشخیص خرابی بلبرینگ را پیشنهاد می‌کنیم که قابل استفاده در نرخ نمونه برداری پایین و فرکانس چرخشی متغیر است.

کلیدواژه ها

عیب یابی، طبقه بندی، هوش مصنوعی، شبکه عصبی پیچشی، بلبرینگ

وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر