یک روش داده کاوی برای تشخیص خطا: استفاده از الگوریتم تشخیص ناهنجاری

شکست در bearing اجزای چرخشی یکی از شایع ترین مشکلات در ماشین آلات چرخشی است که می تواند فاجعه بار و باعث خرابی های عمده شود. از این رو، ارائه هشدارهای پیشگیرانه و تشخیص دقیق خطا در چنین اجزایی مهم و مقرون به صرفه است. اکثر تحقیقات گذشته بر پردازش سیگنال و تحلیل طیفی برای تشخیص خطا در اجزای چرخشی متمرکز شده است. در این مطالعه، یک روش داده کاوی با استفاده از تکنیک یادگیری ماشین به نام تشخیص غیر عادی (AD) ارائه شده است. این روش از تکنیک های طبقه بندی برای تشخیص نمونه های ناقص استفاده می شود. دو ویژگی، kurtosis و نمره غیر گاوسی (NGS)، برای توسعه الگوریتم های تشخیص ناهنجاری استفاده می شوند. عملکرد الگوریتم های توسعه یافته از طریق داده های واقعی از مرحله ی آزمون تا تحمل شکست انجام شد. در نهایت، استفاده از تشخیص ناهنجاری با یکی از روشهای محبوب به نام Vector Vector Machine (SVM) مقایسه شده است تا حساسیت و دقت این روش و توانایی آن برای شناسایی ناهنجاری ها در مراحل اولیه را بررسی کند.

ماشین آلات چرخشی کم سرعت در بسیاری از صنایع سنگین مانند لوله های فولادی، نیروگاه های استخراج معادن و توربین های بادی به طور گسترده استفاده می شوند. نظارت بر شرایط تحرک عناصر رول در سال های اخیر تبدیل در مرکز توجه بوده است، زیرا اکثر نقص های ماشین آلات چرخشی از قسمت های معیوب ناشی می شود علیرغم اینکه اجرای آسان دارند و مقرون به صرفه هستند. طبق گزارش وزارت صنایع و معادن بریتانیا (DTI)، مزایای تعمیر و نگهداری مبتنی بر شرایط (CBM) در عناصر نورد توربین بادی موجب صرفه جویی در مجموع 1.3 میلیارد پوند در سال در طول عمر دستگاه شده است. سیستم های کنترل وضعیت (CMS) یا سیستم های نظارت بهداشتی (HMS) نقش مهمی در سازماندهی خدمات و تعمیرات مبتنی بر شرایط (M & R) را ایفا می کنند. یکی از معیارهای دستیابی به این هدف، استفاده از تکنیک تشخیص خطای کارآمد است که برای یافتن نقص های بسیار جزئی دارای حساسیت بیشتری است. تحمل شکست Bearing faults یکی از علل اصلی شکست در سیستم های ماشین آلات چرخشی (روتاری) است (40-50٪ در توربین های باد) چون آنها شامل چندین یاطاقان برای چرخش صاف با حداقل تلفات هستند و شکست های آنها می تواند به طور مستقیم و به طور متوالی مشکلات در سایر اجزای اصلی را منجر گردد. از آنجا که زمان وقوع شکستهای اصلی برای قسمت های درونی، بیرونی، توپ و عنصر نورد متغیر است، دقت و حساسیت تکنیک های تعمیر و نگهداری برای تشخیص شکست های اولیه در بلبرینگ ضروری است. اکثر آثار موجود بر اساس نوع شکست و طبق دسترسی به نمونه های شکست طبقه بندی و متمرکز شده اند اگر چه در عمل جمع آوری تمام انواع داده های معیوب از نقص های bearing اگر غیر ممکن نباشد، سیار مشکل است. دلیلش این است که برخی از شکست ها فقط گاهی اوقات رخ می دهد و همچنین هر نوع دستگاه دارای الگوهای ارتعاش خاص است. برخی از مطالعات قبلی با استفاده از الگوریتم های داده کاوی و تکنیک های طبقه بندی یادگیری ماشین، با استفاده از یک پایگاه داده تاریخی سیستمی برای پیش بینی شکست فراهم کرده است. در میان روش های مختلفی که از یادگیری ماشین استفاده شده است، شبکه های عصبی مصنوعی در طی چند سال گذشته سریعترین رشد را تجربه کرده اند. با این وجود، نقاط ضعفی همچون شبکه های عصبی، مانند مشکلات شناسایی ساختار، یادگیری وزن متعارف (OWE)، همگرایی محلی و توانایی های ضعیف تعمیم وجود دارد چون در ابتدا استفاده از ERM را تجربه کردند. روش دیگر، Vector Vector Machines (SVM) است که یک راه حل بهتر برای غلبه بر معایب ذکر شده بود و در تحقیقات اخیر به سرعت در مرکز توجه قرار گرفت. اساسا در SVM الگوریتم با مشکلات طبقه بندی باینری مقابله می کند و علاوه بر این، انواع مختلفی از طبقه بندی های خطا SVM نمیتواند به محاسبه بپردازد و دلیل آن وجود برخی محدودیت ها می باشد. هدف از این تحقیق پیشنهاد روش تشخیص خطایی است که قادر به غلبه بر تمام مشکلات فوق است. در اینجا سیستمی که با حساسیت بیشتر در شناسایی خطا ارائه می شود و مهمترین نکته این است که نیازی به اطلاعات تاریخی بزرگ با نمونه های شکست ندارد. این روش بر مبنای روش های تشخیص ناهنجاری است که مدل های داده های نرمال را ایجاد و سپس برای شناسایی ناهنجاری ها از مدل نرمال در داده های مشاهده شده تلاش می کند. تکنیک یادگیری ماشین الگوریتم هایی را ایجاد می کند که قادر به یافتن الگوهای مختلف در داده ها هستند و برنامه ها را براساس مجموعه داده های آموزشی تنظیم می کنند. از این رو، الگوریتم تشخیص ناهنجاری قادر به تشخیص اکثر انواع جدید نفوذ است. این روش توانایی طبقه بندی داده ها را فراهم می کند، در حالی که به طور کلی ما تنها به یک کلاس داده ای دسترسی داریم، یا طبقه دوم داده ها ارائه می شود. با این حال، این روش نیاز به یک مجموعه کاملا طبیعی برای آموزش الگوریتم دارد. الگوریتم ممکن است شکستهای آینده را تشخیص دهد و فرض بر این است که اگر مجموعه داده های آموزشی شامل اثرات نفوذ باشد طبیعی است. ویژگی های ذکر شده در تشخیص شکست ها و خستگی ها در مراحل اولیه کمک می کند و با توجه به حساسیت بالا در ذاتش، این روش نسبت به الگوریتم های قبلی بسیار دقیق تر است. این مقاله به شرح زیر است: بخش 2 در مورد تکنیک های تجزیه و تحلیل موجود و استخراج ویژگی ها بحث می کند. بخش 3 شامل روش پیشنهادی برای شناسایی و تشخیص خطا است. در بخش 4 داده های آزمایشی از یک تست مونتاژ برای اعتبارسنجی الگوریتم پیشنهادی استفاده می شود. در بخش 5، مفهوم روش ها برای محققین و متخصصان توضیح داده شده است، و در نهایت نتیجه گیری مقاله را در بخش 6 خواهیم داشت.