تشخیص عیوب بیرینگ توسط روش تجزیه مدهای تجربی

بلبرینگ ها یکی از قطعات پرمصرف و مهم در صنایع مختلف می باشند. تشخیص به موقع عیوب بلبرینگ ها می تواند از خسارات جانی و مالی جلوگیری کند. شناسایی عیوب در بلبرینگ ها به ویژه در مراحل اولیه و زمانیکه سیگنال غیرخطی و غیرایستا باشد بسیار مشکل است. یکی از روش های تشخیص عیب این قطعات از طریق آنالیز ارتعاشات می باشد. در این مقاله از روش تجزیه تجربی مدها که روشی جدید برای پردازش سیگنال های غیر خطی و غیر ایستا می باشد استفاده شده است. روش تجزیه تجربی مدها در سال 1998 توسط آقای هوانگ ابداع شد. در این پژوهش به کمک روش فوق، سیگنال اولیه مربوط به حالت بلبرینگ سالم و حالت بلبرینگ معیوب به توابع مد ذاتی تجزیه شد. با بررسی و تحلیل توابع مد ذاتی از میان 8 تابع مد ذاتی به دست آمده از هر سیگنال، اولین تابع مد ذاتی برای حالت بلبرینگ سالم و نیز حالت بلبرینگ معیوب تحت بار های متفاوت صفر تا سه اسب بخار انتخاب گردید. از تابع مد ذاتی اول شش ویژگی در حوزه زمان استخراج گردید. این ویژگی ها برای حالت بلبرینگ سالم و نیز وضعیت بلبرینگ معیوب برای حلقه خارجی، حلقه داخلی و ساچمه تحت بارهای صفر تا سه اسب بخار محاسبه و انتخاب گردید. ویژگی ها به عنوان بردار ورودی به شبکه انفیس برای تشخیص عیوب به کار برده شد. سیستم انفیس طراحی شده توانست با تحلیل سیگنال های پیش پردازش شده حالات مختلف را با دقت100% تشخیص دهد. نتایج به دست آمده از این تحقیق می تواند به عنوان روشی جدید درعیب یابی بلبرینگ های ماشین آلات دوار مورد استفاده قرار گیرد.

Bearing Fault Detection using Empirical Mode Decomposition Technique

Ball bearings are one of the most important and used components in different industries. In time diagnosis of these elements can prevent human and financial losses. Early fault detection in bearings especially when vibration signals from these elements are nonlinear and nonstationary is difficult. Vibration analysis is one of the most effective methods in bearing fault detection. This research uses Empirical Mode Decomposition (EMD) method for processing vibration signals. EMD was developed by Huang in 1998 for analyzing nonlinear and nonstationary signals. Vibration signals acquired from bearing housing were decomposed in to Intrinsic Mode Functions (IMFs). By analyzing 8 IMFs from different bearing conditions namely: 1) Healthy bearing 2) Bearing with inner race fault 3) Bearing with outer race fault and 4) Bearing with ball fault, first IMF was chosen as the most sensitive IMF to different faults. Also bearing were tested under different loading conditions which were: 1) No load 2) 1 hp load 3) 2 hp load 4) 3 hp load. Six time feature extracted from first IMF in each load and bearing conditions. These features were used as input vector to an Adaptive Neuro Fuzzy Inference System (ANFIS) to detect each fault. The designed ANFIS network was able to detect different faults with 100% accuracy. Results from this research can be used as a novel method for bearing fault detection with excellent accuracy.