30082

توسعه يك الگوريتم تركيبي منطق فازي و هوش مصنوعي براي پيش آگاهي عمر مفيد باقيمانده ياتاقان هاي غلتشي

دكتري تخصصي (PhD)

مهندسي مكانيك- طراحي كاربردي ـ ارتعاشات و كنترل

1395

1402/4/20

محمد رياحي

مهندسي مكانيك

مديريت سلامت پيش بينانه يك فلسفه نوين در بين انواع فلسفه هاي نگهداري و تعميرات مي باشد. امروزه با توجه به پيشرفته تر شدن صنايع، روش هاي نگهداري و تعميرات نيز تغييرات قابل توجهي داشته اند. در اين بين، با توجه به اهميت بالاي ماشين آلات دوار و كاربردهاي فراوان آنها در صنايع، الگوريتم هاي پيش آگاهي عمر مفيد باقيمانده نيز بهبود مي يابند. با در دست داشتن تخميني دقيق از زمان ازكارافتادگي اين دسته از ماشين آلات، مي توان در برابر هزينه ها و خسارات گزاف مالي و جاني ناشي از خرابي ها، در امان بود. موضوع اين رساله، توسعه يك الگوريتم پيش آگاهي عمر مفيد باقي مانده براي ياتاقان هاي غلتشي بر اساس تركيب الگوريتم هوش مصنوعي و منطق فازي تحت فلسفه نگهداري و تعميرات "مديريت سلامت پيش بينانه" است. انواع روش هاي تخمين عمر به سه دسته، 1- روش مبتني بر داده (روش هاي هوش مصنوعي و آماري)، 2- روش مبتني بر مدل و نظر متخصص (روش هاي سنتي) و 3- روش هاي تركيبي دسته بندي شده اند در اين بين، روش هاي تركيبي نسبت به ديگر روش ها برتري دارند و بيش از پيش مورد استقبال محققان قرار گرفته اند. نوآوري اين رساله، توسعه يك الگوريتم تركيبي براي تخمين سري هاي زماني با استفاده همزمان از روش هوش مصنوعي و نظر متخصص است. از پيچيدگي هاي تخمين عمر مفيد باقيمانده ياتاقان هاي غلتشي مي توان به غيرخطي بودن و عدم قطعيت فرآيند تخريب اشاره كرد. در اين مسئله چالش هاي اصلي عبارتند از وجود عدم قطعيت هاي فراوان در فرآيند تخريب و عدم آگاهي نسبت به نوع تخريب كه فرآيند تخمين عمر را بسيار دشوار مي سازد. توسعه الگوريتم معرفي شده به نحوي بوده است كه اولا، براي پيش آگاهي عمر مفيد باقيمانده ياتاقان هاي غلتشي دقت مناسبي داشته باشد و ثانيا، در مقايسه با انواع روش هاي هوش مصنوعي موجود سرعت محاسباتي بيشتر به همراه داشته و پيچيدگي آن نيز كمتر باشد. مجموعه داده مورد استفاده در اين پژوهش از مجموعه داده هاي تخريب ياتاقان ناسا است كه به كمك الگوريتم معرفي شده و ادغام نوآورانه پارامتر دما با ارتعاشات، عمر مفيد باقيمانده آن ها پيش بيني شده است. به كمك اين روش ميانگين درصد خطاي پيش بيني 69/20 درصد و ميانگين امتياز پيش بيني كه توسط ناسا طراحي شده برابر 44/0 مي باشد كه در مقايسه با ديگر الگوريتم ها كارايي مناسبي را از خود نشان مي دهد. لازم به ذكر است كه اين امتياز معياري از صفر تا يك دارد و به پيش بيني زودهنگام تر از عمر مفيد باقي مانده واقعي امتياز بيشتر مي دهد.

1402/08/25

Development of a hybrid artificial intelligence and fuzzy logic algorithm for prognosis of remaining useful life of rolling bearings

7/10/2024 12:00:00 AM

Prognostic health management is a new philosophy among the types of maintenance philosophies. Nowadays, due to the more advanced industries, maintenance methods have also undergone significant changes. Due to the high importance of rotating machinery and its many applications in industries, the remaining useful life prediction algorithms are also improved every day. By having an accurate estimate of the breakdown time of this category of machines, it can be safe from the excessive costs and financial and human losses. The subject of this thesis is the development of a remaining useful life prediction algorithm for rolling bearings based on the combination of artificial intelligence algorithm and fuzzy logic under the maintenance philosophy of " Prognostic health management". Types of life estimation methods are divided into three categories, 1- data-based method (artificial intelligence and statistical methods), 2- model based method and expert opinion (traditional methods) and 3- hybrid methods. Hybrid methods are superior to other methods and have been welcomed more and more by researchers. The innovation of this thesis is the development of a hybrid algorithm for estimating time series using artificial intelligence and expert opinion at the same time. One of the complications of estimating the remaining useful life of rolling bearings is the non-linearity and uncertainty of the degradation process. So, the main challenge is the existence of uncertainty in both the destruction process and the identification of the destruction type, which makes the estimation operation very difficult. The development of the introduced algorithm has been done in such a way that, firstly, it has appropriate accuracy for predicting the remaining useful life of rolling bearings, and secondly, compared to the existing artificial intelligence methods, it brings more computational speed and computational complexity reduces. The data set used in this research is from NASA's bearing destruction data set, which was predicted with the help of the introduced algorithm and the innovative integration of the temperature parameter with vibrations. With the aid of this method, the average prediction error percentage is 20.69% and the average explained score is 0.44, which shows good performance compared to other algorithms.

توسعه الگوريتم , پيش آگاهي , عمر مفيد باقي مانده , ياتاقان غلتشي

Algorithm development , Prognostics , remaining useful life , Rolling Bearing

Amid Maghsoudi

Mohammad Riahi