پایش وضعیت یک توربو ماشین مبتنی بر آنالیز ارتعاشات با استفاده از شبکه های عصبی مصنوعی

پایش وضعیت در توربو ماشین ها روند نظارت بر پارامترهایی از این ماشین ها نظیر دامنه ارتعاشات، فرکانس ارتعاشات و ... برای پیش بینی و تشخیص عیوب ایجاد شده در سیستم ها در زمان کار کرد است. پایش وضعیت جزء اصلی در سیستم های تعمیرات پیش بینانه است. در سال های اخیر دینامیک روتورهای دارای ترک و تشخیص ترک در آن ها از اهمیت زیادی برخوردار بوده است. شناسایی عیوبی مانند ترک های ناشی از خستگی در شفت ها و روتورها اهمیت زیادی در جلوگیری از بوجود آمدن خرابی های فجیع در سیستم های دوار دارد. شناسایی این عیوب در ماشین آلات می تواند میلیون ها تومان در هزینه ها، انرژی و زمان صرفه جویی به همراه داشته باشد. پایش وضعیت ماشین از زمان شروع حرکت تا زمان توقف اهمیت زیادی در تشخیص ترک در ماشین آلاتی نظیر موتورهای هواپیما، توربو ماشین ها و ... که در سرعت های بالا کار می-کنند دارد. هدف از این تحقیق شناسایی عیوبی مانند ترک در سیستم های دوار، به صورت جداگانه و در حضور عیوب دیگر می-باشد. برای این منظور یک سیستم شفت و دیسک که مدل ساده شده یک توربو ماشین می باشد به عنوان سیستم هدف در نظر گرفته شده است. برای ایجاد سیگنال ارتعاشی خروجی سیستم از تست های آزمایشگاهی و همچنین ساخت مدل المان محدود شفت و دیسک در نرم افزار abaqus استفاده شده است. این سیگنال با استفاده از روش آستانه سازی نرم نویز گیری شده سپس با انجام آنالیز موجک بر روی این سیگنال های ارتعاشی مشخصه هایی همانند بردار انرژی ماتریس ضرایب موجک و انرژی کل ماتریس ضرایب موجک از سیگنال استخراج شده و در انتها از این ویژگی ها جهت تعیین عیب و میزان پیشرفت آن استفاده شده است. برای تعیین وضعیت سیستم از منطق فازی استفاده شده است تا بتوان هوشمندی انسان را در ترکیب اطلاعات بدست آمده از سیگنال ارتعاشی سیستم را وارد سیستم عیب یابی نمود. همچنین به دلیل ادغام ویژگی های مربوط به هر عیوب در زمان رخداد همزمان آنها و دشوار شدن تشخیص عیوب از شبکه عصبی برای تعیین نوع عیب استفاده شده است تا میزان خطای انسانی در تشخیص عیوب کاهش یابد. شبکه عصبی استفاده شده در این پروژه از نوع پس انتشار با 6 نورون در لایه مخفی می باشد. برای آموزش شبکه از 40 سیگنال استفاده شده و برای تست شبکه از یک دسته 30 تایی سیگنال استفاده شده است. پس از آموزش، شبکه با دقت 66/96 % عیوب ایجاد شده در سیستم را تشخیص داده و میزان عیب را به طور میانگین با 70% دقت تشخیص داده است.