شناسایی پدیده‌ی کاویتاسیون در پمپ های گریز از مرکز چند مرحله ای به کمک روش شبکه ایمنی مصنوعی

کاهش هزینه‌های حاصل از خرابی و از کارافتادگی ناگهانی تجهیزات و افزایش قابلیت اطمینان سیستم‌ها، یکی از اهداف مهم در صنایع مختلف است که می‌توان با کمک استقرار سیستم‌های پایش وضعیت و تشخیص عیب به آن دست یافت. کاویتاسیون یکی از پدیده‌های رایج در پمپ‌های گریز از مرکز است که موجب ایجاد خرابی شده و شناسایی صحیح آن در مراحل اولیه از اهمیت بالایی برخوردار می‌باشد. در این مقاله با کمک روش شبکه ایمنی مصنوعی که از عملکرد سیستم ایمنی بدن انسان الگو گرفته شده به شناسایی پدیده کاویتاسون در یک پمپ گریز از مرکز چند مرحله‌ای پرداخته شده است. برای این منظور پس از جمع‌آوری داده‌ها به کمک مجموعه آزمایشگاهی و استخراج ویژگی‌های مختلف، با کمک روش ایمنی مصنوعی به انتخاب ویژگی و کاهش ابعاد پرداخته شده و سپس با کمک این روش حالت سیستم شناسایی گردید. در نهایت نتایج حاصل از آن با روش تحلیل مولفه‌های اصلی و نتایج روش‌های ماشین بردار پشتیبان غیر خطی، شبکه عصبی مصنوعی چند لایه،   k-means  و خوشه بندی فازی   c-means  مقایسه گردیده است.

Identification of Cavitation Phenomenon in Centrifugal Pump by Artificial Immune Network Method

Reduce the cost of unscheduled shutdown and enhance the reliability of systems, is one of the important goals for various industries that could be achieved by condition monitoring. Cavitation is a common phenomenon in centrifugal pumps which causes the damage and its true identification in early stage is too important. In this paper cavitation is identified by use of artificial immune net that is modeled on the function of the human immune system. For this purpose, after data collection by a laboratory setup and extraction of various features, feature selection and dimensions reduction were done by artificial immune method and then with artificial immune net method, the system condition was identified. Finally, the results of this study were compared with the principal component analysis method and the results of nonlinear supportive vector machine, multilayer artificial neural network, K-means and fuzzy Cmeans clustering.