نام پژوهشگر: امین حیطه
امین حیطه مهدی کریمی
در این پایان نامه به شبیه سازی نرم افزاری و آزمایشگاهی چرخ دنده های ساده سالم و معیوب، بررسی اثر ترک در ارتعاشات غیر خطی پیچشی و آشوب در آن ها و تخمین عملکرد گیربکس ها به وسیله شبکه عصبی پرداخته شده است. یک دستگاه آزمایش شامل یک جفت چرخ دنده ساده طراحی و ساخته شد. سیگنال های ارتعاشی حوزه زمان با فرکانس نمونه برداری 10 کیلو نمونه بر ثانیه در سرعت های دورانی مختلف و برای 6 حالت متفاوت گیربکس شامل حالت سالم، نابالانسی، شکست اولیه، شکست ثانویه، سایش- شکست ثانویه و سایش- شکست ثانویه- نابالانسی استخراج گشتند. سیگنال های استخراج شده از گیربکس در شرایط مختلف توسط سنسورهای شتاب سنج، در سه حوزه زمان، فرکانس و زمان- فرکانس تحلیل گشتند. طراحی و تحلیل گیربکس در solidworks 2007 و md adams 2010 انجام شد. برای حل عددی و تحلیلی چرخ دنده های ساده سالم و ترک دار از مدل یک درجه آزادی پیچشی با در نظر گرفتن لقی و سختی متغیر با زمان بین دو دندانه استفاده شد. تابع لقی تکه ای با استفاده از سری های فوریه به صورت منحنی مرتبه 3 تقریب زده شد. سه حالت سالم، ترک 10 درصد و ترک 30 درصد که دارای مقادیر متفاوت سختی درگیری متغیر با زمان هستند، در معادلات لحاظ شدند. برای بررسی این سه حالت و پاسخ ارتعاش غیر خطی سیستم، تابع لقی به صورت تکه ای در نظر گرفته شد و با استفاده از روش عددی رانگ- کوتا، ارتعاشات پیچشی چرخ دنده ها محاسبه شد. برای تحلیل نمودار دوشاخگی و آشوب در سه حالت مختلف از تابع لقی تقریب زده شده به صورت منحنی مرتبه 3 استفاده شد. در فصل آخر نیز دو شبکه عصبی مصنوعی مستقیم و مستقیم طبقه ای تربیت شد. ورودی شبکه عصبی شامل یک ماتریس از 5 پارامتر آماری سیگنال های زمانی ارتعاشی دمدوله شده در سه سرعت ورودی 200، 1000 و 2000 دور بر دقیقه بود. خروجی این شبکه نیز به صورت صفر و یک انتخاب شد که صفر نماینده حالت سالم و یک نشان دهنده حالت معیوب گیربکس است. نتایج حاصل از آزمایش و شبیه سازی با یکدیگر در سه حوزه زمان، فرکانس و زمان- فرکانس مطابقت خوبی را داراست. نتایج حاصل از حل تحلیلی و عددی نیز نشان می دهد که ایجاد ترک در فرکانس ها، میرایی ها و گشتاور های ثابت پایین، افزایش بسیار زیادی را در دامنه پاسخ ارتعاش به همراه دارد همچنان که این عوامل در فرکانس ها و میرایی های بالا، سیستم را سریع تر دچار آشوب می کنند. نتایج حاصل از شبکه عصبی مصنوعی و اعتبار سنجی های آن نیز بیان می کند که از دقت مناسبی برای عیب یابی و آشکار سازی عیب در گیربکس ها برخوردار است.