چكيده فارسي :
يافتن روش¬هايي جهت كاهش تعميرات ماشين¬هاي دوار، مورد توجه بسياري از صنايع مهم مي¬باشد. آناليز ارتعاشات اين ماشين¬ها به عنوان شناخته¬ترين روش در پايش وضعيت و عيب يابي استفاده مي¬شود. در اين پايان‌نامه، به بررسي تشخيص عيب در يك جعبه‌دنده ساده پرداخته مي‌شود. به طور كلي اطمينان از عملكرد مطمئن ماشين‌هاي دوار مانند توربين‌ها، موتورها و جعبه‌دنده‌ها كه اجزاي حياتي در صنايع مختلف به‌شمار مي‌روند، براي حفظ كارايي و ايمني فرآيندهاي صنعتي از اهميت بالايي برخوردار است. اين پژوهش مروري بر برخي تكنيك‌هاي پيشرفته تشخيص خطا در ماشين‌هاي دوار با تمركز بر تحليل ارتعاشات و روش‌هاي يادگيري ماشين ارائه مي‌دهد. نتايج نشان مي‌دهد كه ادغام اين تكنيك‌ها پتانسيل قابل توجهي در تشخيص زودهنگام عيوب دارد كه مي‌تواند منجر به كاهش زمان خرابي و هزينه‌هاي تعميرات و نگهداري شود. اين پژوهش به‌طور ويژه بر تشخيص عيوب در جعبه‌دنده‌ها با استفاده از روش‌هاي مبتني بر تعميرات پيش‌بينانه تمركز دارد. فرآيند تشخيص عيب بر چهار مرحله اصلي شامل جمع‌آوري داده‌هاي ارتعاشي، پيش‌پردازش سيگنال، پردازش سيگنال و نهايتاً طبقه‌بندي با استفاده از روش‌هاي يادگيري ماشين استوار است. در اين مطالعه، ابتدا داده‌هاي ارتعاشي از جعبه‌دنده در دو حالت سالم و داراي ترك كامل در يكي از دندانه‌ها تحت بارهاي نوساني با استفاده از شتاب‌سنج و گشتاورسنج استخراج شده و سپس سيگنال‌هاي ارتعاشي تحليل مي‌شوند. داده¬هاي حاصل از شتاب¬سنج مربوط به ارتعاشات عرضي و داده¬هاي مربوط به گشتاور سنج مربوط به ارتعاشات پيچشي مي¬باشد. ابتدا سيگنال¬هاي استحراج شده تحت پيش پردازش سيگنال قرار مي¬گيرند و اطلاعات تميز جهت مرحله پردازش سيگنال آماده مي¬شود. در مرحله پردازش سيگنال، ويژگي‌هاي مورد نياز براي طبقه‌بندي در حوزه زمان استخراج مي‌گردد كه اين ويژگي‌ها سرعت و دقت بالايي دارند. ويژگي هاي استخراج شده در سه حالت تفكيك پذير، تفكيك ناپذير و تصادفي براي ارتعاشات عرضي و پيچشي دسته بندي مي¬شوند. نهايتاً، تشخيص عيب در جعبه‌دنده با استفاده از روش‌هاي طبقه‌بندي داده‌ها در حوزه يادگيري ماشين به روش ماشين بردار پشتيبان انجام مي‌پذيرد.
چكيده انگليسي :
Finding ways to reduce the maintenance of rotary machines is important in many industries. The vibration analysis of these machines is used as the best-known method in condition monitoring and troubleshooting. In this thesis, fault detection in a simple gearbox is investigated. In general, ensuring the reliable operation of rotating machines such as turbines, engines and gearboxes, which are vital components in various industries, is of great importance to maintain the efficiency and safety of industrial processes. This research provides an overview of some advanced fault detection techniques in rotating machines, focusing on vibration analysis and machine learning methods. The results show that the integration of these techniques has a significant potential in the early detection of faults, which can lead to a reduction in downtime and maintenance costs. This research especially focuses on the detection of defects in gearboxes using methods based on predictive repairs. The fault detection process is based on four main steps including vibration data collection, signal preprocessing, signal processing and finally classification using machine learning methods. In this study, firstly, the vibration data from the gearbox in two healthy states and with a complete crack in one of the teeth under fluctuating loads are extracted using accelerometer and torque meter, and then the vibration signals are analyzed. The data from the accelerometer is related to transverse vibrations and the data from the torque meter is related to torsional vibrations. First, the extracted signals are subjected to signal pre-processing and the clean information is prepared for the signal processing stage. In the signal processing stage, the features required for classification in the time domain are extracted, and these features have high speed and accuracy. The extracted features are categorized into three separable, inseparable and random states for transverse and torsional vibrations. Finally, fault detection in the gearbox is done using data classification methods in the field of machine learning by support vector machine method.
