ارزیابی سلامت بلبرینگ ها با هوش مصنوعی

ارزیابی سلامت بلبرینگ ها با هوش مصنوعی

هوش مصنوعی یا AI که مخفف کلمه انگلیسی Artificial Intelligence است شاخه نو ظهوری از علم می باشد که در حال توسعه می باشد . توسعه هوش مصنوعی نیازمند به شبیه سازی محاسباتی عملکرد مغز می باشد که فرآیندی پیچیده ، دشوار است . استفاده از هوش منصوعی به عنوان یک شاخه ایی از علم بین رشتــه ایی در طیف وسعیی از علوم بکار گرفتـه می شود که این مقاله تخصصی ، روش ارزیابی سلامت بلبرینگ ها با هوش مصنوعی را توضیح خواهیــم داد .

از آنجایی که در بلبرینگ و رولبرینگ ها عیوب متعددی ممکن است بــه وجود آید و از این رو توسعه تکنیکی که قادر باشد ارزیابی دقیقی با ما ارائه بدهد بسیــار دشوار است . که این چالش ها محققان را بر آن داشته تا با استفاده از تکنیک ها مختلف و گاهاً ترکیب آنها مانند : تکنیک منطق فازی ، تکنیک شبکه عصبی مصنوعی و تکنیک  الگوریتم های ژنتیکی و …. رفتار بلبرینگ ها و یاتاقان ها را در حضور عیب بررسی کنند . خوشبختانه مانیتورینگ وضعیت بلبرینگ ها با استفاده از هوش مصنوعی توانسته تا حدودی ارزیابی دقیقی از وضعیت بلبرینگ و رولبرینگ ها را به ما بدهد .

اهمیت توسعه روش های مانیتورینگ بلبرینگ

بی شک در تمامی دستگاه های دوار ، بلبرینگ و رولبرینگ ها نقش اساسی را بر عهده دارند و بعلت شرایط کاری با خرابی های متعددی رو بــه رو هستند لذا توسعه روشی برای مانیتورینگ وضعیت بلبرینگ و رولبرینگ ها می تواند از دو جهت می تواند حائز اهمییت باشد .

۱) کاهش هزینه ی نگهداری

۲) افزایش ضریب ایمنی

مضافاً بر این بیشتر عیوب موجود در دستگاه های دوار ناشی از عیوب بلبرینگ و رولبرینگ ها هستند لذا تا حد زیادی بازدهی دستگاه های دوار مربوط به توسعه روشی برای مانیتورینگ بلبرینگ می باشد .

در شکل زیر روش ارزیابی سلامت بلبرینگ ها با هوش مصنوعی برای تشخیص عیوب یاتاقان ها نشان داده شده است ، ارتعاشات بلبرینگ ناشی از وجود عیب می تواند باعث ایجاد نویز و کاهش کیفیت خط تولید بشود . نتیجه از کار افتادن دستگاه بعلت خرابی بلبرینگ سبب کاهش تولید و ضریان خواهد شد . استفاده از روش مناسب برای مانیتورینگ بلبرینگ سبب افزایش راندمان تولید و کاهش هزینه تعمیر و نگهداری می شود .

مراحل انجام کار ارزیابی سلامت بلبرینگ ها با هوش مصنوعی

برای انجام مانیتورینگ بلبرینگ و یافتن عیوب موجود دو اقدام باید انجام شود

۱) پردازش سیگنال ، برای استخراج الگو های مهم و حذف نویزها

۲) طبقه بندی سیگنال ها بر اساس مشخصات بدست آمده از مرحله قبلی

این انجام این دو مرحله پیچیده است و مورد بــه مورد متفاوت است و برای داشتن تحلیل صحیح علاوه دانش کافی باید فرد تجربه لازم را نیز داشته باشد . 

استفاده از هوش مصنوعی برای تشخیص عیوب بلبرینگ و رولبرینگ ها می تواند سرعت تشخیص عیوب را بالا ببرد و همچنین قادر است در سیستم پیوسته ارزیابی بلبرینگ ها مورد استفاده قرار بگیــرد و همچنین استفاده از هوش مصنوعی بعلت استفاده از منطق و برنامه ریاضی نتــایج دقیق تر و قابل اعتماد تری را ارئه می دهد .

یادگیری ماشین و کاربرد آن در تشخیص عیوب بلبرینگ و رولبرینگ ها

یادگیری ماشین شاخه ایی از علم هوش منصوعی است که با بجای استفاده از دستورات مستقیم با استفاده از مطالعه‌ی علمی الگوریتم‌ها و مدل‌های آماری ، کامپیوتر را قادر می سازد که تصمیم گیــری کند . (مشهود ترین مثال برای یادگیری ماشین می تواند موتور جستجوگر گوگل باشد که نتایج جستجو ما را بر طبق موقعیت جغرافیایی ، سرچ های پیشین و … رتبه بندی می کند . )

برای انجام ارزیابی سلامت بلبرینگ ها با هوش مصنوعی  ، روش آنالیز زمان-فرکانس هم به لحاظ دقت نتایج و هم قابلیت انجام محاسبات روش خوبی برای انجام است اما برای اینکه این نتایج را به توان به صورت لحظه به لحظه تحلیل کرد نیازمند به تکنیک های برای طبقه بندی داده ها هستیــم .

تکنیک SVM که مخفف کلمه انگلیسی Support Vector Machine است یک روش یادگیری ماشین برای طبقه بندی داده ها و رگرسیون است که نمونه آن را در شکل زیر مشاهده می کنید . ( شکل الف ) در این روش با طبقه بندی داده های سابق مربوط بــه رزونانس ارتعاشی ، کامپیوتر می تواند در مورد وضعیت سلامت بلبرینگ و رولبرینگ تصمیم گیـری کند .

یکی از چالش های که برای تشخیص عیوب بلبرینگ و رولبرینگ ها وجود دارد این است که بعلت وجود عیوب مختلف مانند خوردگی قفسه ، کمبود گریس ، لقی بیش از حد مجاز و … مسئله یادگیری ماشین با چالش های فراوانی رو به رو است از این رو برای نتیجه گیری درست تطبیق داده ها با تکنیک شبکه عصبی یا Neural Network حیاتی بنظر می آید . ( شکل ب )

توضیح بیشتر : شبکه عصبی یا Neural Network ، تکنیک نوینی برای یادگیری ماشین است این روش بر طبق عملکرد مغز برای تصمیم گیری توسعه یافته است و به شکل خیلی محدود تر می تواند با پردازش اطلاعات ورودی و ارتباطات آن با هم نتیجه نزدیک به واقعیت را ارائه بدهد .