TY - JOUR ID - 30755 TI - تشخیص عیب یاتاقان های غلتشی با استفاده از سیگنال های ارتعاشی بر اساس تحلیل طیف تکین و شبکه عصبی مصنوعی JO - مجله علمی صوت و ارتعاش JA - JVS LA - fa SN - 2383-1839 AU - حسنیان, مهدی AU - صالحی, مهدی AD - مهندس/تعمیرات توربین گازی AD - گروه مهندسی مکانیک، دانشکده فنی مهندسی، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران Y1 - 2018 PY - 2018 VL - 6 IS - 12 SP - 121 EP - 133 KW - تحلیل طیف تکین KW - شبکه عصبی مصنوعی KW - عیب‌یابی KW - بیرینگ غلتشی KW - سیگنال ارتعاشی DO - N2 - در کاربردهای صنعتی، پایش وضعیت و عیب‌یابی بیرینگ­ها از اهمیت زیادی برخوردار است. تحلیل ارتعاشی، انتشار صدا، دمانگاری و تحلیل روانکار از جمله روش­های تشخیصی جهت شناسایی عیوب بیرینگ­ها می­باشند. یکی از قابل اطمینان­ترین روش‌ها جهت عیب­یابی تجهیزات دوار، مطالعه بر روی سیگنال ارتعاشی می­باشد. تاکنون روش­های مختلفی جهت عیب­یابی بیرینگ­های غلتشی توسط سیگنال­های ارتعاشی در حوزه زمان ارائه شده است. بیشتر روش­های سری زمانی، پیچیده و سیگنال­های استخراجی تحت تأثیر نویز می­باشند. تحلیل طیف تکین[i]  که به عنوان یک تکنیک جدید و کارآمد در زمینه تحلیل سری­های زمانی مطرح می­باشد به لحاظ اجرا آسان و مصون از نویز می­باشد. در این روش سیگنال ارتعاشی اصلی هر یک از عیوب بیرینگ غلتشی به مؤلفه­های اساسی تجزیه می­شوند، که پس از انتخاب تعدادی از مؤلفه­ها و بازسازی سیگنال ارتعاشی، مشخصه­های آماری در حوزه زمان از سیگنال بازسازی شده استخراج می­شوند. این مشخصه­ها به عنوان ورودی‌های شبکه عصبی مصنوعی[ii] جهت تشخیص و طبقه­بندی عیوب بیرینگ­ها اعمال می­گردد. خروجی­های شبکه عصبی، عیوب بیرینگ­ها هستند که با انتخاب تعداد مناسب نرون­های لایه پنهان (لایه میانی)، حداکثر دقت در تشخیص عیوب حاصل می­شود. نتایج، پیاده­سازی موفق و کارآمد تحلیل طیف تکین در عیب‌یابی بیرینگ­های غلتشی با کمترین خطا را نشان می­دهد. [i]. Singular Spectrum Analysis (SSA) [ii]. Artificial Neural Networks (ANN) UR - https://jvs.isav.ir/article_30755.html L1 - https://jvs.isav.ir/article_30755_a6e89bcdd9a76f3189898a3264f1ad94.pdf ER -