تخمین عمر مفید باقی‌مانده یاتاقان غلتشی با استفاده از داده‌های روش شاک‌پالس و ارتعاشات و به‌کارگیری شبکه عصبی پیشخور

تشخیص زودهنگام عیب در یاتاقان‌های غلتشی نقش بسیار تاثیرگذاری بر افزایش قابلیت اعتماد تجهیزات و بهینه‌نمودن تصمیم‌های آینده‌ی برای بهره‌برداری از تجهیزات دوار دارد. در دهه‌های اخیر روشی به ‌نام‌ شاک‌پالس‌ برای تشخیص عیب در یاتاقان‌های غلتشی توسعه داده شده است که قابلیت تشخیص رشد عیب از مراحل اولیه را دارد. هدف از انجام پژوهش حاضر، مقایسه بین دقت پیش‌بینی عمر مفید باقی‌مانده یاتاقان غلتشی تنها با استفاده از داده‌های پایش وضعیت ارتعاشات و با استفاده از ترکیب داده‌های پایش وضعیت ارتعاشات و روش شاک‌پالس‌ می‌باشد. در این راستا مجموعه‌ای از آزمایش‌های عمر پرشتاب یاتاقان غلتشی روی یک پلتفرم تجربی طرح‌ریزی و انجام شده است. مقادیر ارتعاشات و شاک‌پالس‌ تست‌های عمر پرشتاب یاتاقان غلتشی همزمان از لحظه شروع تا پایان خرابی به کمک دو سنسور ارتعاشات و شاک‌پالس‌ اندازه‌گیری و روند تغییرات آنها ثبت شده است. سپس با استفاده از شبکه عصبی مصنوعی مدلی برای پیش‌بینی عمر مفید باقی‌مانده یاتاقان غلتشی توسعه داده شده است و مقایسه‌ای بین استفاده از خصیصه‌های آنالیز ارتعاشات و شاک‌پالس‌ روی دقت پیش‌بینی انجام گردیده است. در نهایت نشان داده می‌شود که استفاده از داده‌های روش شاک‌پالس‌ باعث بهبود دقت پیش‌بینی زمان وقوع خرابی یاتاقان‌های غلتشی و منجر به نتایج با خطای کمتر می‌گردد.

prognostics of rolling element bearings using shock pulse method and vibration method records and employing feedforward neural-network

early fault detection of the rolling element bearings has a very important role in increasing the reliability of rotating machines.it leads to better decision-making for maintenance activities.  in recent decades, the shock pulse method has been developed to detect faults in the early stage of rolling element bearings degradation. in this paper, the accuracy of the remaining useful life estimation using extracted features from vibration signals and that from the shock pulse method are compared. in this regard, a set of accelerated life tests on rolling element bearings were designed and performed. both shock pulse signals and vibration signals of the under-test rolling element bearings were recorded. then two models based on feed-forward neural-network are developed to predict the remaining useful life of rolling element bearings. in the first model, only extracted features from vibration signals are fed for remaining useful life prediction. in the second model, the extracted features from shock pulse method are fed too. the results show that using shock pulse method-based features improves the accuracy of remaining useful life estimation. also, using the health indicators extracted from vibration analysis and shock pulse method leads to a better estimating of the degradation behavior.