تشخیص خرابی چرخدنده تحت بار متغیر برمبنای تکنیک ویژگی چندگانه و شبکه عصبی پرسپترون چندلایه

چرخ دنده بعنوان یکی از مهم ترین تجهیزات دوار جهت انتقال دور و توان در صنایع مختلف ازجمله نفت و گاز و پتروشیمی، تحت شرایط عملیاتی متغیر کار می کند. یکی از اساسی ترین عیوب در چرخ دنده شکست دندانه می باشد. بنابراین این حالت سلامت تحت بار عملیاتی متغیر صدمه جبران ناپذیری به گیربکس زده و کل سیستم دوار را تحت تاثیر خود قرار می دهد. در نتیجه نقش بسزایی در کاهش تولیدداشته و افزایش هزینه های تعمیراتی را در پی خواهد داشت. لذا شناسایی عیوب چرخ دنده به شکل قاب توجهی باعث بهبود نگهداری و تعمیرات دستگاه ها در پلنت صنعتی می شود. تاکنون رو هایزیادی برمبنای استخراج ویژگی یگانه جهت تشخیص عیوب چرخ دنده در شرایط عملیاتی یکسان مورد استفاده قرار گرفته است. با توجه به این که بکارگیری ویژگی های مناسب در شناسایی و طبقه بندی عیوب متفاوت نقش اصلی را ایفا می کند، در این مقاله از تکنیک جدیدی به نام ویژگی چندگانه شامل ویژگی های اماری در حوزه زمان، ویژگی های حوزه فرکانس، ویژگی های تبدیل موجک در حوزه زمان فرکانس، و نیز ویژگی های غیرخطی بطور ترکیبی برای شناسایی عیب و از شبکه عصبی برای طبقه بندی خرابی چرخ دنده تحت بار عملیاتی متنوع استفاده می گردد. با توجه به اینکه در شرایط واقعی، ماشین دوار در شرایط عملیاتی متفاوتی کار می کند، برای ارزیابی این رو از مجموعه داده چرخ دنده تحت حالت های سلامت مختلف با بارهای متفاوت در شرایط اموزش و تست استفاده گردیده است. نتایج این تحایق، اثربخشی و کارامدی این تکنیک نوین را نشان می دهد. برمبنای نمودارهای خروجی در هوش مصنوعی، دقت این رو نسبت به روش های مشابه بهبود قابل توجهی یافته است