مدلسازی،تحلیل و پیش بینی خرابی جعبه¬دنده سیاره¬ای با استفاده از آنالیز ارتعاشات، پردازش سیگنال و یادگیری ماشین

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: مدلسازی،تحلیل و پیش بینی خرابی جعبه¬دنده سیاره¬ای با استفاده از آنالیز ارتعاشات، پردازش سیگنال و یادگیری ماشین

ارائه دهنده: Provider: علی همتی - مهندسی مکانیک

اساتید راهنما: Supervisors: دکتر علیرضا شوشتری

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر مهدی کریمی، دکتر سید علی اصغر حسینی، دکتر کوروش خورشیدی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 15 - 1405/3/25

مکان ارائه: Place of presentation: کلاس 54

چکیده: Abstract: چرخ‌دنده‌های سیاره‌ای به‌واسطه توانایی بالا در انتقال توان، قابلیت اطمینان مناسب و امکان دستیابی به نسبت تبدیل‌های بزرگ در حجم کم، به یکی از اجزای کلیدی در سامانه‌های پیشرفته انتقال قدرت در صنایع مختلف تبدیل شده‌اند. اهمیت این مجموعه‌ها به‌گونه‌ای است که وقوع کوچک‌ترین خرابی در آن‌ها می‌تواند منجر به توقف‌های ناگهانی، کاهش بازده، افزایش هزینه‌های تعمیرات و حتی خسارت‌های ساختاری در سامانه‌های تولیدی گردد. از این‌رو، تشخیص زودهنگام عیوب در این مکانیزم‌ها، نقشی بنیادین در مدیریت نگهداشت و افزایش قابلیت اطمینان دارد. در پژوهش حاضر، ابتدا به شناسایی و تحلیل عیوب متداول در مجموعه چرخ‌دنده سیاره‌ای پرداخته شده و راهکارهای مبتنی بر آنالیز ارتعاشات، پردازش سیگنال و یادگیری ماشین برای عیب‌یابی این مجموعه ارائه شده است. برای این منظور، یک مدل دینامیکی دقیق با ۱۸ درجه آزادی از سیستم سیاره‌ای توسعه داده شده است که در آن، تأثیر لقی میان‌دندانه‌ای بسیار کوچک (کمتر از ۱۲ میکرون)، سختی مش دندانه و برهم‌کنش‌های ارتعاشی اجزای سیاره‌ای لحاظ شده است. سناریوهای خرابی شامل افزایش لقی بین‌دندانه‌ای، خرابی یاتاقان غلتشی چرخ‌دنده خورشیدی، سایش دندانه‌های چرخ‌دنده سیاره‌ای و پوسته‌پوسته‌شدن سطوح تماس در قالب تحریک‌های دینامیکی مختلف مورد مطالعه قرار گرفته‌اند. برای صحه‌گذاری مدل، از دو ساختار دینامیکی شامل سیستم با سختی دندانه ثابت و سیستم با سختی درگیری متغیر با زمان استفاده شده است. همچنین داده‌های ارتعاشی حاصل از آزمون‌های تجربی و میدانی، مبنای استخراج فرمولاسیون فرکانسی و شاخص‌های کلیدی خرابی قرار گرفته‌اند. این فرکانس‌های تشخیصی در مدل اعمال شده و نتایج شبیه‌سازی، انطباق بالایی با پاسخ دینامیکی واقعی نشان می‌دهند که بیانگر اعتبار مدل در پیش‌بینی علائم خرابی است. در بخش پایانی، با هدف توسعه یک سامانه پایش هوشمند، الگوریتم‌های مختلف یادگیری ماشین و یادگیری عمیق برای تشخیص خودکار خرابی‌ها استفاده شده‌اند. به دلیل محدودیت داده‌های در دسترس، تنها دو طیف فرکانسی شامل حالت سالم و معیوب به‌عنوان داده آموزشی مورد استفاده قرار گرفته است. عملکرد سه روش طبقه‌بندی شامل ماشین بردار پشتیبان ، جنگل تصادفی و شبکه عصبی حافظه طولانی-کوتاه‌مدت بر روی این داده‌های محدود بررسی و مقایسه شده است. نتایج حاصل نشان می‌دهند که هر یک از روش‌ها در استخراج ویژگی‌های مربوط به خرابی و تفکیک الگوهای سالم و معیوب رفتارهای متفاوتی ارائه می‌دهند و مقایسه آن‌ها امکان انتخاب بهینه‌ترین الگوریتم برای کاربردهای پایش وضعیت مبتنی بر داده کم را فراهم می‌سازد.