تحلیل حساسیت مشخصه‌های ارتعاشی جهت تشخیص موقعیت عیب نابالانسی جرمی پره بالگرد با استفاده از نمودار توزیع وزن‌های شبکه عصبی خود سازمان‌ده

یکی از مباحث مهم و موانع توسعه سیستم های پایش سلامت وسایل پرنده، حجم بالای داده‌های مورد نیاز جهت صحه‌گذاری و اعتبارسنجی الگوریتم‌ها است. در این پژوهش راهکاری مناسب جهت کاهش تعداد سنسور ها، حجم داده‌های مورد نیاز و محاسبات در سیستم پایش سلامت روتور اصلی بالگرد ارائه شده است. بدین منظور، با استفاده از شبکه های عصبی خودسازمان ده، شیوه ای جدید جهت تحلیل حساسیت میان مشخصه های استخراج شده از سیگنال‌های ارتعاشی مدل دینامیکی روتور اصلی بالگرد جهت تقلیل داده‌برداری پیشنهاد شده است. در ابتدا  با استفاده از یک مدل دینامیکی غیرخطی مفصل بالگرد، سیگنال‌های متناظر با 15 حالت نابالانسی جرمی به عنوان گستره‌ای از عیوب روتور شبیه‌سازی گردیده است. سپس، 16 مشخصه تحلیل سیگنال ارتعاشی از شتاب های خطی و زاویه ای وارده بر هاب روتور اصلی در حالت دائمی پرواز، از طریق پیش‌پردازش و روابط مربوطه استخراج شده است. در نهایت از طریق یک شبکه عصبی خودسازمان ده، نمونه های مختلف بانک اطلاعاتی 96 مشخصه ارتعاشی، خوشه‌بندی گردیده و مشخصه های مهم و کلیدی جهت استفاده در الگوریتم عیب‌یابی با استفاده از نمودار توزیع وزن مشخصه‌های مختلف معرفی شده است.

sensitivity analysis of vibration characteristics for localization of imbalance fault on the helicopter blade

one of the important subjects and barriers to the development of health and usage monitoring systems for air vehicles is a large amount of required data for the algorithm validation. in this research, an appropriate solution is proposed to reduce the number of sensors, the volume of data, and the calculations in the helicopter’s main rotor health monitoring system. using the self-organizing neural network, an algorithm is developed for sensitivity analysis between vibration characteristics that are extracted from the rotor sensors to minimize the required data acquisition tests. first, a comprehensive nonlinear dynamic model of a helicopter is used for the simulation of the signals for 15 imbalance faults as an example of rotor faults. then, 16 vibration characteristics are calculated and extracted from linear and rotational accelerations of the main rotor hub in steady flight conditions. finally, different samples of 96 characteristics from this dataset are clustered using a self-organizing neural network, and the effective and key characteristics for fault detection are determined.