پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شماره‌ها | 414 |
| تعداد مقالات | 5,478 |
| تعداد مشاهده مقاله | 6,010,641 |
| تعداد دریافت فایل اصل مقاله | 5,299,941 |
تخمین عمرمفید باقیمانده بلبرینگ ها بااستفاده از برازش تابع ویبول برروی تابع مود ذاتی | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| دوره 57، شماره 1، 1404 اصل مقاله (3.12 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2025.23526.7776 | ||
| نویسندگان | ||
| زهرا طالبی؛ مرتضی همایون صادقی؛ میر محمد اتفاق* | ||
| دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| کاربرد بسیار بلبرینگ ها در صنعت لزوم تخمین عمر مفید آن‌ها را افزایش می‌دهد. در اغلب پژوهش‌های قبلی انجام گرفته لازم است تا خرابی اولیه‌ای در بلبرینگ ایجاد شده باشد تا پس از آن عمرمفید باقیمانده تخمین زده شود. در حالیکه که عمدتا محل بهره‌برداری از بلبرینگ‌ها توام با نویز بسیار می‌باشد که تشخیص عیوب اولیه را دشوار می‌کند. در این پژوهش روش جدیدی برای تخمین عمر مفید باقیمانده بلبرینگ‌های صنعتی ارائه می‌گردد که بااستفاده از توابع مود ذاتی (IMF) امکان تشخیص عیوب را در مراحل اولیه افزایش می‌دهد. در این رویکرد، ابتدا سیگنال‌های ارتعاشی به دست آمده از بلبرینگ با استفاده از روش EMD به IMF های تشکیل دهنده‌اش تجزیه می‌شود و یکی از IMF های به دست آمده که قادر است تشدید عیوب و روند خرابی را بهتر از سایر توابع نشان دهد، با استفاده از یک روش پیشنهادی بر پایه انرژی، انتخاب می‌گردد. پس از انتخاب IMF مناسب، واریانس آن‌ها محاسبه می‌گردد و سپس تابع ویبول بر روی آن‌ها برازش شده، و نمودارهای به دست آمده جهت آموزش شبکه عصبی مورد استفاده قرار می‌گیرد. سپس هموارسازی نتایج با استفاده از تابع هموارسازی نمایی انجام می‌شود. عملکرد نهایی الگوریتم ارائه شده به وسیله‌ی داده‌های تجربی مورد ارزیابی قرار می‌گیرد. نتایج به دست آمده نشان می‌دهد که شبکه به خوبی می‌تواند روند تخریب بلبرینگ را دنبال کرده و عمر باقیمانده آن را ارزیابی کند. | ||
| کلیدواژه‌ها | ||
| ماشین دوار؛ بلبرینگ؛ عیب‌یابی؛ عمرمفید؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Estimating Remaining Useful Life of Bearings Using Weibull Function Fitting on IMF | ||
| نویسندگان [English] | ||
| Zahra Talebi؛ Morteza H. Sadeghi؛ Mir Mohammad Ettefagh | ||
| Faculty of Mechanical Engineering, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| Bearings are widely used parts in the industry and play a crucial role in the performance of industrial systems and machinery. Therefore, their failure can cause significant damage and even halt production. Due to their importance and widespread use, various methods have been developed for troubleshooting and estimating their remaining useful life. This study introduces a novel approach for predicting the remaining lifespan of industrial bearings. The technique involves initially decomposing the vibration signals from the bearing into intrinsic mode functions (IMFs) using the empirical mode decomposition (EMD) method. Among the calculated IMFs, the one most effective at indicating the degradation rate of the ball bearing is chosen for training the neural network. The selection of the IMF is carried out using a proposed energy-based method. The variance statistical parameter for the selected IMF is calculated after selecting the appropriate Intrinsic Mode Function. Next, the Weibull function is fitted to the resulting data, and the obtained graphs are used to train the neural network. Subsequently, the results are smoothed using the exponential smoothing function. The final performance of the proposed algorithm is evaluated using experimental data. The results indicate that the neural network can effectively track the degradation process of the bearing and assess its remaining lifespan. | ||
| کلیدواژه‌ها [English] | ||
| Rotary Machinery, Ball Bearing, Diagnostics, Remaining Useful Life, Machine Learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 12 تعداد دریافت فایل اصل مقاله: 8 |
||