بازشناخت الگوی نیروهای یاتاقانی محور چرخان صلب دارای نامیزانی‌های جرمی

در سیستم‌های چرخان صنعتی به دلایل مختلف مانند نا‌همراستایی یاتاقانی و وجود نامیزانی‌های جرمی، نیرو‌های مختلفی در یاتاقان تولید می‌شود. روش‌های بازشناخت الگوهای نامیزانی‌های جرمی زیان‌ آور تاکنون بر اساس استفاده از سنسورهای اندازه‌گیری جابجایی و یا سرعت طراحی و تدوین شده‌اند. در کنار بار محاسباتی بالای روش‌های مذکور، پهنای باند نسبتاً کم و قیمت بالای تجهیزات مورد نیاز این نوع روش‌ها، تا کنون فناوری‌های لازم بر اساس تکنیک‌های تحلیل بر مبنای اندازه‌گیری شتاب یاتاقان‌ها توسعه داده نشده است. ابتدا، معادلات حرکت و نیروهای موجود در یاتاقان‌های غیر منعطف صلب و کاملاً همراستا برای روتوری نامیزان با 15 جرم نامیزان موجود در سه صفحه با فواصل متفاوت استخراج شده‌اند. سپس، با حل عددی معادلات، الگوهای نیرویی یاتاقان‌ها حاصل شده و تاثیر هر کدام از متغیرهای دینامیکی روتور برای دو جرم نامیزان مورد تحلیل قرار می‌گیرند. نوآوری‌های مقاله‌ی حاضر به این شرح گزارش می‌گردند: با استفاده از یک شبکه‌ی عصبی ثابت شد که برای عیب‌یابی سیستم تنها دو سنسور شتاب‌سنج کافی است. در ادامه دو شبکه‌ی عصبی عمیق با 5 لایه طراحی شد که داده‌های ورودی، سرعت روتور، اندازه‌ی اقطار و میزان اوریب بودن بیضی بوده، و داده‌های خروجی برای شبکه‌ی اول تمامی متغیرهای لازم اجرام نامیزان شامل فاصله صفحه چرخش در روتور، زاویه، جرم و شعاع ذره و در شبکه‌ی دوم اختلاف زاویه‌ی اجرام، فاصله‌ی بین دو صفحه، فاصله‌ی یاتاقان  a از وسط دو صفحه، و حاصل‌ضرب جرم و شعاع هر کدام از نامیزانی‌ها بوده که دقت نهایی بدست آمده 95 درصد گزارش شد.

pattern recognition of unbalanced rigid rotor bearing forces

in industrial rotatory machines, different forces in rotor bearings are generated due to various impaired mechanical sources, namely bearing misalignment and nonhomogeneous mass distribution (unbalance). by precisely analyzing and diagnosing the produced patterns of bearing forces, one can determine the unbalance parameters such as quantities of masses, their distance from the rotational axis, and characteristics of corresponding parallel planes. consequently, it will be possible to formulate pragmatic protocols according to which the maintenance engineers of rotatory systems will pinpoint properties of problematic imbalance masses and then straightforwardly balance them. in the procedure of conducting this research, several exemplary imbalance masses are deployed on a rotatory mechanical shaft and the equations of motion and forces in perfectly aligned rigid bearings are extracted. then, by applying a neural network-oriented system the patterns of bearing forces are recognized and the characteristics of the nominal masses including magnitudes, distances from the rotational axis, angles as well as the unbalance type are determined. the accuracy of predicting 8 variables of balancing masses was 41% and after eliminating the redundant overlaps from principal components, the accuracy of predicted 5 variables of balancing masses significantly increased to 95%. also, by implementing another comprehensive neural network system, it was shown that by exerting two separate balancing masses, the applicability of this method in balancing any faulty systems with dynamic unbalance is possible.