تحلیل خرابی‌های کوپلینگ با داده‌های پایش وضعیت با رویکرد یادگیری ماشین

کوپلینگ‌ها در صنعت کاربرد بسیاری داشته و این تجهیزات با توجه به چرخش مداوم، همیشه در معرض خرابی هستند. ‏تجزیه‌وتحلیل ارتعاش یک تکنیک مناسب برای تحلیل خرابی‌ها و تشخیص حالات خرابی تجهیزات دوار است. هدف این پژوهش تحلیل ‏خرابی‌های رخ‌داده در یک کوپلینگ است که داده‌های آن در حالت عادی و سه حالت نقص با چهار سنسور متصل به کوپلینگ ‏جمع‌آوری‌شده است. بدین منظور دو نوع استخراج ویژگی متفاوت استفاده‌شده و همچنین از هفت الگوریتم یادگیری ماشین و یک ‏الگوریتم یادگیری عمیق برای طبقه‌بندی حالات بهره برده شده است. در این پژوهش به بررسی کارکرد هر کدام از الگوریتم‌های ‏پیاده‌سازی شده و اهمیت ویژگی‌های استخراجی پرداخته و به بررسی نقش سنسورها و بررسی اهمیت آن‌ها برای کاهش تعداد سنسور‌ها ‏پرداخته‌شده است. از نتایج این پژوهش می‌توان به تعیین اهمیت بالای ویژگی‌های حوزه فرکانس در دقت مدل‌های اجراشده و همچنین ‏کارایی بالای دو عدد از سنسور‌ها برای طبقه‌بندی اشاره نمود.‏

coupling failure analysis using condition monitoring data with machine learning approach

couplings are widely used in the industry and this equipment are always subject to defects and failures due to continuous rotation. vibration analysis is a suitable technique for failure analysis and failure detection of rotating equipment. the purpose of this research is to analyze the failures that occurred in a coupling, whose data was collected in normal state and three failure states with four sensors connected to the coupling. for this purpose, two different types of feature extraction have been used, and seven machine learning algorithms and one deep learning algorithm have been used to classify situations. in this research, the performance of each of the implemented algorithms and the importance of extracted features have been investigated, and the role of sensors and their importance to reduce the number of sensors have been investigated. from the results of this research, we can point out the high importance of the features of the frequency domain in the accuracy of the implemented models, as well as the high efficiency of two sensors for classification.