سيدمحسن هاشمي

Design of an Intelligent Predictive Maintenance System for Rotating Machinery Based on Wavelet Analysis an‎d Machine Learning A

تجهيزات دوار از اجزاي حياتي در بسياري از صنايع به شمار ميروند و بروز خرابي در آنها ميتواند پيامدهاي جدي همچون توقف خطوط توليد، تحميل هزين ههاي هنگفت تعميرات و كاهش بهرهوري را به دنبال داشته باشد؛ از اينرو، توسعه سامانههاي نگهداري پيشبينانه بهعنوان يكي از رويكردهاي مؤثر در مديريت هوشمند تجهيزات صنعتي اهميت فراوان يافته است. در پژوهش حاضر، روشي نوين براي تشخيص و پيشبيني خرابي در بلبرينگها بهعنوان يكي از مهمترين اجزاي ماشينهاي دوار ارائه گرديد. بدين منظور دادههاي ارتعاشي از پايگاههاي داده معتبر آزمايشگاهي شامل Case Western Reserve University (CWRU) و دانشگاه Ottawa گردآوري شد و بهمنظور استخراج ويژگيهاي كارآمد، از تبديل موجك گسسته با موجك خانواده Daubechies استفاده گرديد تا اطلاعات زماني –فركانسي نهفته در سيگنالهاي ارتعاش آشكار شود. سپس ويژگيهاي استخرا جشده به الگوريتم جنگل تصادفي داده شد تا وظيفه طبق هبندي شرايط مختلف شامل حالت سالم و انواع خرابيها )رينگ داخلي، رينگ خارجي و ساچمه( را بر عهده گيرد. نتايج بهدس تآمده نشان داد كه مدل پيشنهادي توانسته است با دقتي نزديك به 99 درصد، خرابيها را بهدرستي شناسايي كند و شاخصهاي ارزيابي همچون 𝐹1-score و سطح زير منحني ROC نيز كارايي بسيار بالاي روش ارائهشده را تأييد نمودند. با اين حال، وجود عدم تعادل ميان دادههاي سالم و معيوب و محدوديتهاي ناشي از شرايط كنتر لشده دادههاي آزمايشگاهي از چالشهاي اين پژوهش محسوب ميشوند. در مجموع، يافتههاي اين تحقيق نشان ميدهد كه تركيب تحليل موجك و الگوريتمهاي يادگيري ماشين ميتواند بهعنوان ابزاري كارآمد در طراحي سامانههاي نگهداري پيشبينانه تجهيزات دوار مورد استفاده قرار گيرد و توسعه و آزمون آن در محي طهاي واقعي صنعتي، گامي مهم در افزايش قابليت اطمينان و كاهش هزينههاي تعمير و نگهداري خواهد بود

نگهداري پيشبينانه , تجهيزات دوار , تحليل موجك , بلبرينگ , سيگنال ارتعاش , يادگيري ماشين , جنگل تصادفي