تشخیص عیوب خارج از مرکزی غلتک های سیستم کشش با استفاده از آنالیز صدا و شبکه های عصبی

تمام واحدهای تولیدی تمایل دارند با افزایش تولید و بالا بردن کیفیت محصولات خود هزینه تولید خود را کاهش داده و بهره وری کارخانه را افزایش دهند. یکی از مهم ترین عوامل موثر برای نیل به این هدف عملکرد مطلوب دستگاه ها خط تولید است و با شناسایی سریع عیوب دستگاه از تولید محصول معیوب و صدمه دیدن سایر قسمت های ماشین جلوگیری می شود . از جمله عیوب رایج ماشین های خط ریسندگی خارج از مرکز بودن شفت ها و غلتک ها است که باعث ایجاد عیوب پریودیک و کاهش کیفیت نخ تولیدی می شود. در نساجی شناسایی این عیوب در قسمت کنترل کیفیت و از طریق دستگاه اوستر انجام می گیرد. به این منظور طول معینی از نخ از دستگاه اوستر عبور داده شده ،دستگاه منحنی تغییرات جرمی را رسم می کند و از روی این منحنی متوجه عیوب پریودیک نخ می شوند. که روش تشخیص ذکر شده کاملا مطلوب نیست زیرا بسیاری از مواقع ممکن است به دلیل خطاهای آزمایشی و محاسباتی عیب به درستی تشخیص داده نشود، یا زمان زیادی طول بکشد تا قسمت کنترل کیفیت متوجه عیب محصول تولیدی شود که با توجه به سرعت بالای ماشینها در این فاصله زمانی مقدار خیلی زیادی محصول معیوب تولید می شود، که باعث افزایش هزینه های تولید واحد تولیدی میشود. بنابراین اگر بتوان عیب را به صورت آنلاین تشخیص داد به میزان قابل توجهی راندمان بالا می رود. در این تحقیق سعی شده که گام اولیه برای شناسایی سریع این عیوب از طریق صدای غلتک ها برداشته شود. به این منظور پنج غلتک خارج مرکز تهیه کرده و با قرار دادن هر کدام از غلتک ها روی ماشین و روشن کردن ماشین از تک تک غلتک های سالم و خارج مرکز در چند مرحله صدابرداری شده می شود در مرحله بعد داده های فراخوانی می شود. از داده های فراخوانی شده 60 داده برای آموزش، 20 داده برای اعتبارسنجی و 20 داده هم برای آزمایش شبکه انتخاب می شود. برای افزایش کارایی شبکه داده های انتخاب شده نرمالایز و در مرحله بعد داده های انتخاب شده برای آموزش، اعتبارسنجی و تست شبکه با استفاده از تبدیل فوریه به حوزه فرکانس برده می شوند و بعد از نرمالایز کردن برای آموزش به شبکه داده می شود نتایج نشان می دهد که شبکه کاملاٌ توانایی شناسایی و جداسازی عیوب را دارد به طوریکه پس از 400 بار آموزش شبکه برابر 7/0% و خطاهای اعتبارسنجی و آزمایش شبکه برابر 1% شد و در مرحله تست شبکه از مجموع 20 داده صوتی مربوط به غلتک سالم همگی سالم تشخیص داده شد و از مجموع 80 داده صوتی مربوط به غلتک های معیوب تنها یک داده درست طبقه بندی نشده و این داده هم در دسته معیوب دیگری قرار گرفته است. یعنی از 80 داده صوتی مربوط به غلتک های معیوب هیچکدام سالم تشخیص داده نشده و شبکه توانسته است 99% داده ها را دقیقاٌ در دسته های درست قرار داده است. بنابراین می توان انتظار داشت که در آینده با انجام تحقیقات گسترده تر در این زمینه و طراحی سخت افزارهای مناسب، آنالیز صدا روشی مناسب برای تشخیص عیوب ماشین باشد.