تشخیص تجربی عیب و دسته‌بندی اندازه آن در حلقه خارجی یاتاقان غلتشی تماس زاویه‌ای با روش نشر صوتی و شبکه عصبی مصنوعی

در این مقاله، تشخیص تجربی عیب و دسته بندی اندازه آن در حلقه خارجی یاتاقان غلتشی تماس زاویه‌ای با روش نشر صوتی و شبکه عصبی مصنوعی ارایه شده است. در یک سیستم آزمایشگاهی، یاتاقان‌ها در چهار سرعت 600، 900، 1200 و 1500دور در دقیقه با چهار بارگذاری از کم به زیاد بارگذاری شدند. بارگذاری به‌کمک 4 عدد پیچ با گشتاورهای مساوی و مشخص به حلقه خارجی اعمال شدند. این نوع بارگذاری به‌دلیل اینکه یاتاقان تماس زاویه‌ای است به بارگذاری ترکیبی شعاعی و محوری به‌صورت همزمان تبدیل می‌شود و با بارگذاری های مرسوم در یاتاقان های شیار عمیق متفاوت است. امواج نشر صوتی به‌کمک حسگرهای باند پهن، در دو حالت سالم و معیوب ثبت می شود. بنابراین برای تشخیص عیب، می توان حالت های مختلف را با حالت سالم مقایسه کرد. برای ایجاد عیب‌کندگی به‌صورت مصنوعی، از روش اسپارک استفاده شد. در بررسی نتایج پارامتر جدیدی به‌منظور افزایش بازده تشخیص عیب و دسته بندی اندازه آن، به نام مجموع زمان بالای حد آستانه معرفی شد. با کمک پارامتر معرفی‌شده و 4 پارامتر نشر صوتی و با استفاده از شبکه عصبی مصنوعی، عملکرد سامانه هوش مصنوعی در تشخیص عیب 95/1% و در دسته بندی اندازه عیب 94/4% بود.

Experimental Detection and Size Classification of Defects on Outer Race of Angular Contact Ball Bearing Using Acoustic Emission Signals with Artificial Neural Network

In this paper, experimental defect diagnosis and the classification of its size in the outer race of angular contact ball bearing with acoustic emission method and artificial neural network are presented. In an experimental system, bearings are loaded at four speeds of 600, 900, 1200, and 1500rpm with four loads from low to high. Loads are applied to the outer race with the help of four bolts with equal and specific torques. Since the bearing is angular type, this type of loading is converted to radial and axial combined loading simultaneously and differs from conventional loads in deep groove bearings. Acoustic emission waves are recorded using broadband sensors in two states, healthy and defective. Therefore, to diagnose the defect, different states can be compared with the healthy. The spark method was used to create an artificially seeded defect. In analyzing the results, a new parameter called ldquo;the total time above threshold rdquo; was introduced to increase the efficiency of defect diagnosis and classification of its size. With the help of the introduced parameter and 4 conventional acoustic emission parameters and using an artificial neural network, the performance of the artificial intelligence system was 95.1% in defect diagnosis and 94.4% in defect size classification.