بررسی کارایی حسگرهای نشر فرا آوایی در مطالعة تخریب طبیعی یاتاقان تماس زاویه‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه فنی و حرفه ای

2 دانشکده مهندسی مکانیک و انرژی/دانشگاه شهید بهشتی

چکیده

ماشین‌های دوار در صنعت بسیار پرکاربردند و از اجزای اصلی ماشین‌های دوار یاتاقان‌ها هستند. بنابراین پایش وضعیت یاتاقان‌ها از اهمیت زیادی در صنایع برخوردار است. در این پژوهش به بررسی تخریب طبیعی یاتاقان غلتشی براساس پردازش سیگنال­های نشر فرا آوایی[i] با کاربرد تبدیل موجک پرداخته ­شده است. به‌منظور استخراج سیگنال­های نشر فرا آوایی یاتاقان از یک چیدمان آزمایشگاهی و تجهیزات داده­برداری مناسب استفاده ­شده است. پردازش سیگنال­های نشر فرا آوایی در حوزه­های زمان-بسامد با استفاده از آنالیز تبدیل موجک[ii] انجام گرفته است. به‌منظور استخراج سیگنال­های نشر فرا آوایی از سه حسگر متعلق به شرکت PAC با نام­های Pico، WSα و R6α استفاده شده و کارایی آنها با هم مورد مقایسه قرار گرفته است. نتایج نشان داد که روش نشر فرا آوایی روشی کارا برای تخمین تخریب طبیعی یاتاقان است. مقایسه مقادیر نسبت انرژی به آنتروپی شانون برای 53 موجک مادر بررسی شده نشان می­دهد که موجک مادر بیور ۱/۳[iii] دارای بیشترین نسبت انرژی به آنتروپی شانون است و به‌عنوان بهترین موجک مادر انتخاب می­شود. همچنین بررسی کارایی سه حسگر نشان داد که هر سه حسگر مورد استفاده برای بررسی تخریب طبیعی یاتاقان مناسب هستند، بااین‌حال حسگر Pico امتیاز بالاتری را کسب کرد.
 
[i]. Acoustic Emission
[ii]. Wavelet transform
[iii] Bior 3.1 mother wavelet


 


 

 
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigating the effectiveness of acoustic emission sensors in the study of natural degradation of angular contact bearings

نویسندگان [English]

  • Mohsen Motahari-Nezhad 1
  • Seyed Mohammad Jafari 2
1 Technical and vocational University (TVU)
2 Faculty of mechanical and energy engineering/Shahid beheshti university
چکیده [English]

In this study, the application of wavelet transform in the natural degradation of roller bearings based on the processing of acoustic emission signals has been investigated. In order to extract the bearing acoustic emission signals, a suitable laboratory arrangement and data collection equipment was used. The processing of acoustic emission signals in time-frequency domains was performed using wavelet transform analysis. In order to capturing the acoustic emission signals, three sensors namely Pico, R6α and WSα were applied. The results showed that the acoustic emission method is an efficient method for estimating the bearing natural degradation. In this study, to select the mother wavelet, the method of comparing the ratio of energy to converted signal entropy was used. Comparison of energy versus entropy for the 53 mother wavelets studied shows that the Bior 3.1 mother wavelet has the highest energy to Shannon entropy ratio and is selected as the best mother wavelet. Also, the performance analysis of the three sensors showed that all three sensors used are suitable for investigating the natural degradation of the bearing, however, the Pico sensor scored higher.

کلیدواژه‌ها [English]

  • Natural degradation
  • Bearing
  • Acoustic emission sensor
  • Wavelet transform
  • Signal processing
[1] Jardine, Andrew KS, Daming Lin, and Dragan Banjevic, "A review on machinery diagnostics and prognostics implementing condition-based maintenance", Mechanical systems and signal processing, 2006, Vol.20, no.7, pp.1483-1510.
[2] Muller, Alexandre, Adolfo Crespo Marquez, and Benoît Iung, "On the concept of e-maintenance: Review and current research", Reliability Engineering & System Safety, 2008, Vol.93, no.8, pp.1165-1187.
[3] Sikorska, Joanna Z., Melinda Hodkiewicz, and Lin Ma, "Prognostic modelling options for remaining useful life estimation by industry", Mechanical systems and signal processing, 2011, Vol.25, no.5, pp.1803-1836.
[4] Ahmadzadeh, Farzaneh, and Jan Lundberg, "Remaining useful life prediction of grinding mill liners using an artificial neural network", Minerals Engineering, 2013, Vol.53, pp.1-8.
[5] ISO-15243, "Rolling bearing damage and failure terms, characteristics and causes”, 2017.
[6] Beattie, Alan G., “Acoustic emission, principles and instrumentation”. No. SAND-82-2825. Sandia National Labs., Albuquerque, NM (USA), 1983.
[7] Al-Ghamd, Abdullah M., and David Mba, "A comparative experimental study on the use of acoustic emission and vibration analysis for bearing defect identification and estimation of defect size", Mechanical systems and signal processing, 2006, Vol.20, no.7, pp.1537-1571.
[8] Mba, David, "The use of acoustic emission for estimation of bearing defect size", Journal of Failure analysis and prevention, 2008, Vol.8, pp.188-192.
[9] Miettinen, Juha, and Peter Andersson, "Acoustic emission of rolling bearings lubricated with contaminated grease", Tribology International, 2000, Vol.33, no.11, pp.777-787.
[10] Feng, Yanhui, "Novel acoustic emission signal processing methods for bearing condition monitoring", PhD diss., University of Leicester, 2008.
[11] Al-Dossary, Saad, RI Raja Hamzah, and David Mba, "Observations of changes in acoustic emission waveform for varying seeded defect sizes in a rolling element bearing", Applied acoustics, 2009, Vol.70, no.1, pp.58-81.
[12] Mba, David, "Acoustic emissions and monitoring bearing health", Tribology Transactions, 2003, Vol.46, no.3, pp.447-451.
[13] Morhain, A., and David Mba, "Bearing defect diagnosis and acoustic emission", Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology, 2003, Vol.217, no.4, pp.257-272.
[14] He, Yongyong, Xinming Zhang, and Michael I. Friswell, "Defect diagnosis for rolling element bearings using acoustic emission", 2009, p.061012.
[15] Caesarendra, Wahyu, Buyung Kosasih, Anh Kiet Tieu, Hongtao Zhu, Craig AS Moodie, and Qiang Zhu, "Acoustic emission-based condition monitoring methods: Review and application for low speed slew bearing", Mechanical Systems and Signal Processing, 2016, Vol.72, pp.134-159.
[16] Usgame Sandoval, Hector M., Camilo A. Pedraza Ramírez, and J. E. Quiroga Mendez, "Acoustic emission-based early fault detection in tapered roller bearings", Ingeniería e Investigación, 2013, Vol.33, no.3, pp.5-10.
[17] Zhu, Jun, Nan Chen, and Weiwen Peng, "Estimation of bearing remaining useful life based on multiscale convolutional neural network", IEEE Transactions on Industrial Electronics, 2018, Vol.66, no.4, pp.3208-3216.
[18] Elforjani, M. A. D. M., and D. Mba, "Accelerated natural fault diagnosis in slow speed bearings with acoustic emission", Engineering Fracture Mechanics, 2010, Vol.77, no.1, pp.112-127.
[19] Caesarendra, Wahyu, "Vibration and acoustic emission-based condition monitoring and prognostic methods for very low speed slew bearing", 2015.
[20] Elforjani, M., "Estimation of remaining useful life of slow speed bearings using acoustic emission signals", Journal of Nondestructive Evaluation, 2016, Vol.35, no.4, p.62.
[21] Aye, Sylvester A., and P. S. Heyns, "An integrated Gaussian process regression for prediction of remaining useful life of slow speed bearings based on acoustic emission", Mechanical Systems and Signal Processing, 2017, Vol.84, pp.485-498.
[22] ر. روحانی، "بررسی خرابی یاتاقان های غلتشی در دینامومترهای آزمون موتور و پایش وضعیت آنها با استفاده از آنالیز ارتعاشات"، پایان نامه دوره کارشناسی ارشد، دانشگاه صنعتی اراک، ۱۳۹۴.
[23] ASTM, E. "650." Standard Guide for Mounting Piezoelectric Acoustic Emission Sensors, The American Society for Testing and Materials, 1997.
[24] آ. مسرخانی، "تشخیص تجربی عیب یاتاقان غلتشی با استفاده از نشر آوایی با روش شبکه عصبی مصنوعی"، پایان نامه دوره کارشناسی ارشد، دانشگاه شهید بهشتی، ۱۳۹۸.
 [25] S.B. Grease, “SKF general purpose industrial and automotive bearing grease”, 2022, https://www.skf.com/group/products/lubrication-management.
[26] م. خزایی، "پیش بینی عمرمفید باقیمانده تسمه زمانبندی موتور درونسوز براساس سیگنال­های ارتعاشی و به کمک روش­های هوش مصنوعی"، رساله برای دریافت درجه دکتری، دانشگاه تربیت مدرس، ۱۳۹۴.
[27] Dixit, Abhinav, and Swatilekha Majumdar, "Comparative analysis of coiflet and daubechies wavelets using global threshold for image denoising", International Journal of Advances in Engineering & Technology, 2013, Vol.6, no.5, p.2247.
[28] Kankar, Pavan Kumar, Satish C. Sharma, and Suraj Prakash Harsha, "Fault diagnosis of rolling element bearing using cyclic autocorrelation and wavelet transform", Neurocomputing, 2013, Vol.110, pp.9-17.
[29] Kahirdeh, Ali, Christine Sauerbrunn, and Mohammad Modarres, "Acoustic emission entropy as a measure of damage in materials", In AIP Conference Proceedings, 2016, Vol.1757, no.1, AIP Publishing, 2016.
[30] Van Hecke, Brandon, Yongzhi Qu, and David He, "Bearing fault diagnosis based on a new acoustic emission sensor technique", Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 2015, Vol.229, no.2, pp.105-118.
[31] Aziz, Nur Hakimah Ab, "A framework for developing a prognostic model using partial discharge data from electrical trees", 2018.
[32] Wang, Jia, and Zhigang Li, "Degradation model of multi-signals based on a novel feature-selection criterion", Structural Health Monitoring, 2018, Vol.17, no.6, pp.1491-1502.