پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شماره‌ها | 421 |
| تعداد مقالات | 5,525 |
| تعداد مشاهده مقاله | 6,353,568 |
| تعداد دریافت فایل اصل مقاله | 5,473,923 |
تخمین عمر مفید باقی‌مانده یاتاقان غلتشی با استفاده از داده‌های روش شاک‌پالس و ارتعاشات و به‌کارگیری شبکه عصبی پیشخور | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 9، دوره 53، شماره 4 (Special Issue)، تیر 1400، صفحه 2557-2576 اصل مقاله (1.87 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2020.18253.6786 | ||
| نویسندگان | ||
| مهدی بهزاد* ؛ علی داودآبادی؛ حسام الدین ارغند | ||
| دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران | ||
| چکیده | ||
| تشخیص زودهنگام عیب در یاتاقان‌های غلتشی نقش بسیار تاثیرگذاری بر افزایش قابلیت اعتماد تجهیزات و بهینه‌نمودن تصمیم‌های آینده‌ی برای بهره‌برداری از تجهیزات دوار دارد. در دهه‌های اخیر روشی به نام شاک‌پالس برای تشخیص عیب در یاتاقان‌های غلتشی توسعه داده شده است که قابلیت تشخیص رشد عیب از مراحل اولیه را دارد. هدف از انجام پژوهش حاضر، مقایسه بین دقت پیش‌بینی عمر مفید باقی‌مانده یاتاقان غلتشی تنها با استفاده از داده‌های پایش وضعیت ارتعاشات و با استفاده از ترکیب داده‌های پایش وضعیت ارتعاشات و روش شاک‌پالس می‌باشد. در این راستا مجموعه‌ای از آزمایش‌های عمر پرشتاب یاتاقان غلتشی روی یک پلتفرم تجربی طرح‌ریزی و انجام شده است. مقادیر ارتعاشات و شاک‌پالس تست‌های عمر پرشتاب یاتاقان غلتشی همزمان از لحظه شروع تا پایان خرابی به کمک دو سنسور ارتعاشات و شاک‌پالس اندازه‌گیری و روند تغییرات آنها ثبت شده است. سپس با استفاده از شبکه عصبی مصنوعی مدلی برای پیش‌بینی عمر مفید باقی‌مانده یاتاقان غلتشی توسعه داده شده است و مقایسه‌ای بین استفاده از خصیصه‌های آنالیز ارتعاشات و شاک‌پالس روی دقت پیش‌بینی انجام گردیده است. در نهایت نشان داده می‌شود که استفاده از داده‌های روش شاک‌پالس باعث بهبود دقت پیش‌بینی زمان وقوع خرابی یاتاقان‌های غلتشی و منجر به نتایج با خطای کمتر می‌گردد. | ||
| کلیدواژه‌ها | ||
| یاتاقان غلتشی؛ پایش وضعیت؛ آنالیز ارتعاشات؛ روش شاک‌پالس؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| Prognostics of rolling element bearings using shock pulse method and vibration method records and employing feedforward neural-network | ||
| نویسندگان [English] | ||
| Mehdi Behzad؛ Ali Davoodabadi؛ Hesam Addin Arghand | ||
| School of Mechanical Engineering, Sharif University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Early fault detection of the rolling element bearings has a very important role in increasing the reliability of rotating machines.It leads to better decision-making for maintenance activities. In recent decades, the shock pulse method has been developed to detect faults in the early stage of rolling element bearings degradation. In this paper, the accuracy of the remaining useful life estimation using extracted features from vibration signals and that from the shock pulse method are compared. In this regard, a set of accelerated life tests on rolling element bearings were designed and performed. Both shock pulse signals and vibration signals of the under-test rolling element bearings were recorded. Then two models based on feed-forward neural-network are developed to predict the remaining useful life of rolling element bearings. In the first model, only extracted features from vibration signals are fed for remaining useful life prediction. In the second model, the extracted features from shock pulse method are fed too. The results show that using shock pulse method-based features improves the accuracy of remaining useful life estimation. Also, using the health indicators extracted from vibration analysis and shock pulse method leads to a better estimating of the degradation behavior. | ||
| کلیدواژه‌ها [English] | ||
| Rolling element bearings, Condition monitoring, Vibration analysis, Shock pulse method, Neural-network | ||
| مراجع | ||
|
[1] P. Albrecht, J. Appiarius, E. Cornell, D. Houghtaling, R. McCoy, E. Owen, D.J.I.t.o.e.c. Sharma, Assessment of the reliability of motors in utility applications, (3) (1987) 396-406. [2] C.J. Crabtree, D. Zappalá, P.J. Tavner, Survey of commercially available condition monitoring systems for wind turbines, (2014). [3] N.-H. Kim, D. An, J.-H. Choi, Prognostics and health management of engineering systems: An introduction, springer, 2016. [4] M.S. Kan, A.C. Tan, J.J.M.S. Mathew, S. Processing, A review on prognostic techniques for non-stationary and non-linear rotating systems, 62 (2015) 1-20. [5] C.J.I.-v.I.I.D.P. Monitoring, IO f. S, Diagnostics of machines-prognostics part 1: General guidelines, (2004) 14. [6] Y. Lei, N. Li, L. Guo, N. Li, T. Yan, J.J.M.S. Lin, S. Processing, Machinery health prognostics: A systematic review from data acquisition to RUL prediction, 104 (2018) 799-834. [7] N. Gebraeel, J.J.I.T.o.R. Pan, Prognostic degradation models for computing and updating residual life distributions in a time-varying environment, 57(4) (2008) 539-550. [8] G. Vachtsevanos, P. Wang, Fault prognosis using dynamic wavelet neural networks, in: 2001 IEEE Autotestcon Proceedings. IEEE Systems Readiness Technology Conference.(Cat. No. 01CH37237), IEEE, 2001, pp. 857-870. [9] Q. Cui, Z. Li, J. Yang, B. Liang, Rolling bearing fault prognosis using recurrent neural network, in: 2017 29th Chinese Control And Decision Conference (CCDC), IEEE, 2017, pp. 1196-1201. [10] X. Chen, Z. Shen, Z. He, C. Sun, Z.J.P.o.t.I.o.M.E. Liu, Part C: Journal of Mechanical Engineering Science, Remaining life prognostics of rolling bearing based on relative features and multivariable support vector machine, 227(12) (2013) 2849-2860. [11] A.R. Bastami, A. Aasi, H.A.J.I.J.o.S. Arghand, T.o.E.E. Technology, Estimation of remaining useful life of rolling element bearings using wavelet packet decomposition and artificial neural network, 43(1) (2019) 233-245. [12] N. Gebraeel, M. Lawley, R. Liu, V.J.I.T.o.i.e. Parmeshwaran, Residual life predictions from vibration-based degradation signals: a neural network approach, 51(3) (2004) 694-700. [13] S. Saon, T.J.C. Hiyama, M.w. Applications, Predicting remaining useful life of rotating machinery based artificial neural network, 60(4) (2010) 1078-1087. [14] Z.J.J.o.I.M. Tian, An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring, 23(2) (2012) 227-237. [15] M. Behzad, H.A. Arghand, A.R.J.C.M. Bastami, D.E. Management, Rolling Element Bearings Prognostics Using High-Frequency Spectrum of Offline Vibration Condition Monitoring Data, (2018) 276. [16] M. Behzad, H.A. Arghand, A.J.P.o.t.I.o.M.E. Rohani Bastami, Part C: Journal of Mechanical Engineering Science, Remaining useful life prediction of ball-bearings based on high-frequency vibration features, 232(18) (2018) 3224-3234. [17] R. Yang, J. Kang, J. Zhao, J. Li, H. Li, A case study of bearing condition monitoring using SPM, in: 2014 Prognostics and System Health Management Conference (PHM-2014 Hunan), IEEE, 2014, pp. 695-698. [18] N. Tandon, K.J.N. Kumar, V. Worldwide, Detection of defects at different locations in ball bearings by vibration and shock pulse monitoring, 34(3) (2003) 9-16. [19] N. Tandon, G. Yadava, a.K.J.M.s. Ramakrishna, s. processing, A comparison of some condition monitoring techniques for the detection of defect in induction motor ball bearings, 21(1) (2007) 244-256. [20] R. Yang, J.J.V.P. Kang, Bearing fault detection of wind turbine using vibration and SPM, 10 (2016) 173-178. [21] A.D. Mehdi Behzad, Hesam Addin Arghand, Using Shock Pulse Method for Early Fault Detection of Rolling Element Bearings and Comparing with Vibration Envelope Technique, Amirkabir J. Mech. Eng., (2019). [22] T.J.A.S.I.W.P. Sundström, SPM Instruement AB, An introduction to the SPM HD method, (2010).
| ||
|
آمار تعداد مشاهده مقاله: 847 تعداد دریافت فایل اصل مقاله: 1,280 |
||