عیب‌یابی خودکار کمپرسور سه‌باله‌ای با استفاده از تبدیل موجک و ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه بوعلی سینا همدان

2 دانشگاه بوعلی سینا

چکیده

در این مقاله روشی ارائه شده است که بتوان با آموزش یک سیستم هوشمند، ماشین آلات صنعتی را به‌صورت خودکار عیب یابی کرد. یک کمپرسور سه‌باله ای به‌عنوان نمونه ای از یک ماشین صنعتی مورد استفاده قرار گرفت. روش ارائه‌شده برای آموزش سیستم هوشمند از مرحلۀ داده برداری، تحلیل سیگنال و سیستم هوشمند تشخیص الگو تشکیل شده است. در گام اول با داده برداری از سیگنال شتاب کمپرسور سالم و کمپرسور با عیوب متفاوت، داده های موردنظر برای شروع پردازش سیگنال حاصل شدند. پس از تحلیل داده ها و یافتن معیار تشخیص الگوی عیوب، یک ماشین بردار پشتیبان برای تفکیک عیوب، آموزش داده شد. روش ارائه‌شده در پایان آزمایش گردید و نتایج حاصل از سیستم آموزش دیده، عیوب را به‌صورت کامل و صحیح تفکیک کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Automated Fault Detection of Tri-Lobe Compressor Using Wavelet Transformation and Support Vector Machine

نویسندگان [English]

  • Mahdi Karimi 1
  • Saeid Aliabadi 2
1
2
چکیده [English]

In order to diagnose the faults of industrial rotating machines automatically, an expert system is used in this paper. A tri-lobe roots blower compressor is used as a test rig to represent an industrial machine. The proposed method for training the expert system includes: data acquisition, signal processing and intelligent pattern recognition stages. Acceleration signals of healthy and faulty compressor components were acquired in the first stage. The signals were conditioned to be used for the signal processing as the next stage. It is necessary to find pattern recognition criterion of the compressor fault diagnosis. Therefore feature extraction of data was performed as part of the second stage. In the third stage, a support vector machine tool was trained and employed to classify the faults. The proposed procedure was tested and the obtained results showed that this algorithm works very well and it fully classifies the faults automatically.

کلیدواژه‌ها [English]

  • Condition monitoring
  • automatic fault diagnosis
  • wavelet Transformation
  • Support vector machine
  • Tri-lobe compressor
1. بهزاد، مهدی، سپانلو، کیوان، آسایش، مسعود و روحانی، عباس، «اصول و مبانی ارتعاشات در نگهداری، تعمیرات و عیب‌یابی ماشین-های دوار»، انتشارات شرکت ملی صنایع پتروشیمی، (1386).
2. Andrew, K.S., Jardine, A.K.S., Lin, D. and Banjevic, D.," A review on machinery diagnostics and prognostics implementing condition-based maintenance", Mechanical Systems and Signal Processing, Vol. 20, pp. 1483–1510, (2006).
3. Sung, C.K., Tai, H.M. and Chen, C.W., "Locating defects of a gear system by the technique of wavelet transform", Mechanism and Machine Theory, Vol. 35, pp. 1169–1182, (2000).
4. Boulahbal, D., Farid, G.M. and Ismail, F., "Amplitude and phase wavelet maps for the detection of cracks in geared systems", Mechanical Systems and Signal Processing, Vol. 13, pp. 423–436, (1999).
5. Widodo, A. and Yang, B.S., "Support vector machine in machine condition monitoring and fault diagnosis", Mechanical Systems and Signal Processing, Vol. 21, pp.2560–2574, (2007).
6. Saravanan, N., Kumar Siddabattuni, V.N.S. and Ramachandran, K.I., "Fault diagnosis of spur bevel gear box using artificial neural network (ANN), and proximal support vector machine (PSVM)", Applied Soft Computing, Vol. 10, pp. 344–360, (2010).
7. Fernandez-Francos, D., Martinez-Rego, D., Fontenla-Romero, O. and Alonso-Betanzos, A., "Automatic bearing fault diagnosis based on one-class ν-SVM", Computers & Industrial Engineering, Vol. 64, pp. 357–365, (2013).
8. Misiti, M., Misiti, Y., Oppenheim, G. and Poggi, J.M., "Wavelet toolbox for use with MATLAB®", The MathWorks Inc., (1996).
9. Hsu, C.W. and Lin, C.J., "A Comparison of Methods for Multiclass Support Vector Machines", IEEE Transactions on neural networks, Vol. 13, pp. 415–425, (2002).
10. Harris, C.M. and Piersol, A.G., "Harris’ Shock and Vibration Handbook", Sixth Ed., McGraw-Hill, New York, (2002).
11. Newland, D.E.," An introduction to random vibration, spectral and wavelet analysis", Third Ed., Longman Scientific & Technical, Essex, England, (1993).
CAPTCHA Image