تشخیص خرابی با استفاده از تحلیل سری زمانی بوسیله شبکه عصبی و کاربرد آن در ماشین های دوار

امروزه همزمان با پیشرفت صنایع، مقوله نگهداری و تعمیرات در صنعت به یکی از موضاعات مهم و کاربردی تبدیل شده است. هر چند این مقوله در کاهش هزینه ها، اقتصادی کردن و ایمن سازی فرآیندها نقشی اساسی دارد، ولیکن خود نیز به عنوان یکی از سنگین ترین هزینه های قابل کاهش در واحدهای صنعتی شناخته شده است. هزینه های نگهداری و تعمیرات بخش مهمی از کل هزینه های کارخانجات و صنایع را به خود اختصاص می دهد. بسته به نوع صنعت این نوع هزینه ها بین 15 تا 60 درصد در صنایع مختلف شناور می باشد.]1[ از ماشین های مدرن و پیشرفته ای که در محیط های صنعتی استفاده می شود، انتظار می رود که برای ساعات طولانی بطور پیوسته و با حداقل زمان توقف کار کنند. از بین عواملی که باعث توقف دستگاه ها می شود، خرابی که بوسیله ی یک ماشین دوار به وجود آمده است، بیشترین زمان را به خود اختصاص داده است، به طوریکه ایرادهای کوچک در یک مجموعه از ماشین دوار به مرور زمان تشدید شده وعامل بوجود آمدن خرابی های بیشتر می شوند و ممکن است این خرابی در زمانی که ما شدیداً به درست کار کردن دستگاه نیاز داریم اتفاق بیفتد، و زمان زیادی صرف باز کردن قطعات ماشین و تشخیص عیب و درنهایت برطرف کردن آن عیب گردد، ویا اینکه درست کار نکردن یکی از اجزای دوار باعث لرزه در مجموعه شده وکیفیت کارکرد آن بخش از دستگاه را کاهش داده و باعث ضرر اقتصادی گردد. بنابراین اگر ما بتوانیم شرایطی را بوجود بیاوریم که بدون باز کردن ماشین وضعیت این ماشین دوار را تحت کنترل قرار دهیم، می توانیم اولاً با عکس العمل به موقع از انتقال خرابی به دیگر قسمت های ماشین جلوگیری کرده، ثانیاًوضعیت قطعاتی که در دسترس قرار ندارند را نیز تحت کنترل قرار دهیم،و ثالثا در مواردی که دستگاه مشکوک به خرابی است با برنامه ریزی قبلی و اجتناب از بررسی های غیرضروری در زمان و هزینه صرفه جویی های قابل توجهی به عمل آوریم. و در صورت وجود خرابی قبل از آنکه منجر به از کار افتادگی دستگاه شود، خرابی تشخیص داده شده، و در ساعت غیر کاری عمل تعویض قطعه خراب را انجام دهیم. برای دسترسی به اهدافی که در بالا به آن اشاره شد می توان از سنسورهایی که در محلی نزدیک به منبع لرزش نصب شده-اند، برای گرفتن سیگنال های لرزشی استفاده کنیم. و از این سیگنال ها جهت تشخیص شرایط ماشین استفاده نماییم. استفاده از سیگنال های لرزشی برای تشخیص شرایط ماشین به طور کلی شامل دو مرحله ی استخراج خواص از سیگنال-ها و استفاده از این خواص برای تشخیص شرایط ماشین می باشد. برای استخراج خواص از دو مدل سری زمانی archو ar ، و برای استفاده از خواص در تشخیص شرایط ماشین از شبکه عصبی استفاده شده است. روش های مختلفی از قبیل شبکه عصبی، svm برای استفاده از خواص وجود دارد، که در این بین شبکه عصبی برای مواردی که تعداد داده های ما زیاد هستند مناسب است [2]،svmنیز دارای دقت مناسبی است اما فقط برای داده های قطعی مناسب است. [3] در مدل اتورگرسیو(ar) مرسوم فرض برآن است که واریانس جزء اختلال در کل دوره ی زمانی نمونه ثابت است و ناپایداری را در طول زمان ثابت در نظر می گیرند و قادر به توضیح نوسانات ناگهانی سیگنال ها نیستند. بنابراین در این مدل ها از همه اطلاعات موجود در پسماندهای سیگنال ها استفاده نمی شود. در سیگنال ها گرفته شده از ماشین های دوار ملاحظه می شود که بسیاری از سیگنال ها در دوره هایی با نوسانات زیاد همراه هستند و متعاقب آن دوره هایی از تغییرات اندک را پشت سر می گذارند. تحت این شرایط فرض وجود واریانس ثابت یا واریانس همسان چندان معقول نخواهد بود. در مدل های خود رگرسیون واریانس ناهمسان شرطی(arch)امکان ناپایداری (تغییرات واریانس)لحظه ای در سری های زمانی مورد توجه قرار می گیرد و برای این منظور واریانس خطاها در هر دوره تابع مقادیر گذشته آن درنظر گرفته می شود. طریقه کار به این صورت است که،ابتدا به سیگنال های لرزشی در حوزه فرکانس از روش باکس-جنکینز مدلی برازش داده می شود، سپس با استفاده از مجذور پسماندها که از مدل برازش داده شده و مقادیر واقعی بدست آمده مدل arch مدلسازی می شود و در انتها با کمک ضرایب مدل archو شبکه عصبی به طبقه بندی سیگنال ها پرداخته می شود.در این پژوهش سعی کرده ایم برتری مدل arch در مرحله استخراج خواص نسبت مدل ar را به تصویر بکشیم.در فصل اول جهت آشنایی هر چه بیشتر با مفاهیم آماری،شبکه عصبی، سری زمانی و انواع آن که شامل مفاهیم اولیه،تحلیل توصیفی سری زمانی، آشنایی با مفاهیم بنیادی سری زمانی، فرآیند های تصادفی، الگوهای سری زمانی،الگوسازی و مدل arch می باشد.در فصل دوم روش پیشنهادی برروی داده های مورد آزمایش تست شده است. در فصل سوم نیز پس از بحث در مورد آزمایش ها و نتایج آن، محدودیت های تحقیق و پیشنهادها ارائه شده است.