تشخیص عیب سایش دنده در گیربکس دمی بالگرد با کمک الگوی شناسایی نزدیکترین همسایگی

سعیدی, هادی; صفی زاده, میرسعید

doi:10.22060/mej.2016.780

دانشگاه صنعتی امیرکبیر

تعداد نشریات	4
تعداد شماره‌ها	157
تعداد مقالات	2,496
تعداد مشاهده مقاله	1,160,781
تعداد دریافت فایل اصل مقاله	902,973

تشخیص عیب سایش دنده در گیربکس دمی بالگرد با کمک الگوی شناسایی نزدیکترین همسایگی

نشریه مهندسی مکانیک امیرکبیر

مقاله 11، دوره 49، شماره 2، تابستان 1396، صفحه 341-350 اصل مقاله (1105 K)

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22060/mej.2016.780

نویسندگان

هادی سعیدی؛ میرسعید صفی زاده

دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

کاربرد سیستم‌های دوار در صنایع هوایی، صنایع نیروگاهی و صنعت خودرو و بسیاری از صنایع دیگر مرسوم و متداول می‌باشد. تعمیر و نگهداری سیستم‌های دوار بر اساس منطق‌های سنتی در صنایع مختلف بسیار هزینه‌بر می‌باشد. از این‌رو عیب‌یابی هوشمند سیستم‌های مهندسی و به خصوص مکانیکی از مسائل با اهمیت و رو به رشد صنایع روز دنیا می‌باشد.
در این پژوهش که بر روی سیستم انتقال قدرت گیربکس 90 درجه بالگرد یا به عبارتی دم بالگرد صورت گرفته است، یک سیستم عیب‌یابی هوشمند برای عیب سایش چرخدنده در گیربکس 90 درجه یک بالگرد ارائه شده است. برای طراحی این سیستم عیب‌یابی هوشمند، یک مجموعه آزمایشی شامل گیربکس واقعی 90 درجه بالگرد به همراه شافت‌های مربوطه و شرایط تکیه‌گاهی واقعی طراحی و ساخت شده است. عیب شبیه‌سازی شده بر روی سیستم مورد نظر عیب سایش بر روی دنده پینیون ورودی می‌باشد که این عیب در سه مرحله ایجاد شده است. گیربکس در شرایط دور و بار مختلف در حالت سالم و معیوب مورد آزمایش قرار گرفت. در طراحی این سیستم عیب‌یابی هوشمند از تکنیک‌های زمانی آنالیز سیگنال، تبدیل موجک گسسته، آنالیز مولفه-های اصلی و تکنیک‌های تصمیم‌گیری خودکار نظیر روش الگوی شناسایی نزدیکترین همسایگی استفاده شده است.

کلیدواژه ها

پایش وضعیت گیربکس دم بالگرد؛ عیب سایش دنده؛ تبدیل موجک گسسته (DWT)؛ الگوی شناسایی نزدیکترین همسایگی (KNN)؛ آنالیز مولفه های اصلی (PCA)

عنوان مقاله [English]

Gear wear’s fault diagnosis in tail gearbox of helicopter: using K nearest neighbor recognition pattern

نویسندگان [English]

H. Saeidi؛ M.S. Safizadeh

Faculty of Mechanical Engineering, Iran University of Science and Technology, Tehran, Iran

چکیده [English]

Rotary systems application in aerospace, power stations, automotive industries and many others is prevalent. Maintenance of rotating system based on traditional logics is very expensive in different industries. Therefore, intelligent fault detection of engineering systems, especially mechanical ones, is important and growing issues in the industries all around the world.
In this research which done on power transmission system in tail gearbox of helicopter, an intelligent fault detection system for gear wear in tail gearbox of helicopter represented. For designing an intelligent testing system, an experimental set-up consisted of tail gearbox of helicopter with its related shafts and a real fix support condition designed and developed. Simulated fault on considered system is pinion wheel input wear, which was created in three stages، various conditions of gearbox in intact and damage state was studied .In designing this intelligent fault detection system time-domain signal analysis, discrete wavelet transform, Principal component analysis and automatic decision making techniques such as k nearest neighbor recognition method used.

کلیدواژه ها [English]

Condition monitoring of helicopter tail gearbox, Gear wear’s fault, Discrete wavelet transform (DWT), K nearest neighbor (KNN), Principal component analysis (PCA)

مراجع

[1] Bayoumi, A., N. Goodman, R. Shah, T. Roebuck, A.Jarvie, L. Eisner, L. Grant, and J. Keller, "Conditionbased maintenance at USC-Part III: Aircraft components mapping and testing for CBM". Proceedings of the American Helicopter Society Specialists Meeting on Condition-Based Maintenance, Huntsville, AL. 2008.

[2] Wang, W. J. and P. D. McFadden, "Application of the wavelet transform to gearbox vibration analysis".American Society of Mechanical Engineers, Petroleum Division (Publication) PD, Houston, TX, USA. 1993.

[3] Wang, W. J. and P. D. McFadden, "Application of wavelets to gearbox vibration signals for fault detection".Journal of Sound and Vibration, 192 (1996): 927-939.

[4] Saravanan, N. and K. I. Ramachandran, "Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN)". Expert Systems with Application, 37 (2010): 4168-4181.

[5] Wang, C. C., "Application of fault diagnosis in rotating machinery by using time Series analysis with neural network". Expert Systems with Application, 37 (2010):1696-1702.

[6] Li, B., M. Y. Chow, Y. Tipsuwan and J. C. Hung, "Neuralnetwork-based motor rolling bearing fault diagnosis".IEEE Transactions on Industrial Electronics, 47.5(2000): 1060-1069.

[7] Kang, Y., C. C. Wang, Y. P. Chang, C. C. Hsueh and M. C.Chang, "Certainty improvement in diagnosis of multiple faults by using versatile membership functions for fuzzy neural networks". Lecture Notes in Computer Science,3973 (2006): 370-375.

[8] Loparo, K., "Bearing fault diagnosis based on wavelet transform and fuzzy inference". Mechanical Systems and Signal Processing, 18 (2004): 1077-1095.

[9] Saravanan, N., S. Cholairajan and K. I. Ramachandran, "Vibration-based fault diagnosis of spur bevel gearbox using fuzzy technique". Expert Systems with Applications,36 (2009): 3119-3135.

[10] Yaguo, L. and J. Z. Ming, "Gear crack level identification based on weighted K nearest neighbor classification algorithm". Mechanical Systems and Signal Processing,23 (2009): 1535-1547.

[11] Demoura, E. P., C. R. Souto, A. A. Silva and M. A. S.Irmao, "Evaluation of principal component analysis and neural network performance for bearing fault diagnosis from vibration signal processed by RS and DF analyses".Mechanical Systems and Signal Processing, 25 (2011):1765-1772.

[12] Bayoumi, A., N. Goodman, R. Shah, L. Eisner and L.Grant and J. Keller, "Conditioned-Based Maintenance at USC - Part IV: Examination and Cost-Benefit Analysis of the CBM Process". Proceedings of the American Helicopter Society Specialists Meeting on Condition-Based Maintenance, Huntsville, AL. 2008.

[13] Wuxing, L., W. T. Peter, Z. Guicai and S. Tielin,"Classification of gear faults using cumulants and the radial basis function network". Mechanical systems and signal processing, 18 (2004): 381-389.

[14] Qingbo, H., K. Fanrang and Y. Ruqiang, "Subspacebased gearbox condition monitoring by kernel principal component analysis". Mechanical Systems and Signal Processing, 21 (2007): 1755-1772.

[15] Mohammadi Takami, S. M., "Data Pre-processing and Pattern Recognition Methods", Khajeh Nasir Toosi University of Technology, 2005.

[16] Ziaei-Rad, S. and S. Nourian, "Condition Monitoring and Fault Diagnosis of Rotating Machinery",Daneshpajoohanbarin, 2008.

[17] Zakrajsek, J. J. and D. G. Lewicki," Detecting gear tooth fatigue cracks in advance of complete fracture".Tribo Test Journal, 4.4 (1998): 407-422.

[18] Zakrajsek, J. J., D. P. Townsend and H. J. Decker,"An analysis of gear fault detection methods as applied to pitting fatigue failure data". Mechanical Systems and Signal Processing, 21 (2007): 1755-1772.

آمار

تعداد مشاهده مقاله: 583

تعداد دریافت فایل اصل مقاله: 359

Journal Management System. Designed by sinaweb.