معرفی یک روش مبتنی بر یادگیری انتقالی برای تشخیص عیوب ترکیبی در پمپ‌های گریز از مرکز

پذیرفته شده برای ارائه شفاهی ، صفحه 1-10 (10) XML اصل مقاله (681.84 K)
کد مقاله : 1090-ISAV2023 (R1)
نویسندگان
دانشگاه تبریز، دانشکده مهندسی مکانیک
چکیده
نظر به اهمیت پمپ‌های گریز از مرکز در صنایع مختلف، عیب یابی آنها دارای اهمیت می‌باشد. در همین راستا، استفاده از سیگنال‌های ارتعاشی، کاربرد فراوانی در عیب یابی ماشین‌های دوار دارد. علاوه بر این، امروزه با گسترش روز افزون کاربردهای هوش مصنوعی در زمینه‌های مختلف، ارائه روش‌های هوشمند برای عیب یابی ماشین‌های دوار مورد توجه محققان قرار گرفته است. اکثر روش‌های عیب یابی پمپ‌‌های گریز از مرکز در ادبیات فن برای تشخیص عیوب تنها ارائه شده است. بنابراین در تحقیق حاضر، یک روش جدید مبتنی بر یادگیری انتقالی برای عیب یابی ترکیبی این پمپ‌ها معرفی شده است. در این روش ابتدا تصاویر زمان-فرکانسی از روی سیگنال‌های ارتعاشی محاسبه شده و سپس یک شبکه عصبی عمیق برای طبقه‌بندی این تصاویر بر حسب نوع عیب معرفی شده است. روند آموزش این شبکه با یادگیری انتقالی انجام شده است که باعث کاهش وابستگی شبکه‌ی عمیق به تعداد داده ورودی می‌شود. فرایند یادگیری انتقالی به این صورت انجام گرفته است که لایه‌های کانولوشنی فقط بر روی داده‌های عیوب تنها آموزش داده شده و داده‌های مربوط به عیوب ترکیبی در آموزش لایه‌های طبقه‌بندی کننده وارد می‌شوند. روش پیشنهادی با استفاده از سیگنال‌های ارتعاشی یک پمپ گریز از مرکز ارزیابی شده و کارایی آن در مقایسه با چند روش دیگر نشان داده شده است. دقت طبقه بندی روش پیشنهادی برای داده‌های مربوط به عیوب تنها 100 درصد و و برای داده‌های مربوط به عیوب ترکیبی، 99.15 درصد بدست آمده است. دقت بالا در تشخیص عیوب تنها و ترکیبی، عدم نیاز به تعداد داده زیاد و عیب یابی در محیط صنعتی واقعی از ویژگی‌های بارز روش پیشنهادی می‌باشد.
کلیدواژه ها
موضوعات
 
Title
.
Authors
مراجع

[1]          A. Al-Braik, O. Hamomd, F. Gu, and A. Ball, "Diagnosis of impeller faults in a centrifugal pump based on spectrum analysis of vibration signals," in 11th International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, 2014: British Institute of Non-Destructive Testing.

[2]          R. B. Randall, Vibration-based Condition Monitoring: Industrial, Automotive and Aerospace Applications. John Wiley & Sons, 2021.

[3]          M. Zhang, Z. Jiang, and K. Feng, "Research on variational mode decomposition in rolling bearings fault diagnosis of the multistage centrifugal pump," Mechanical Systems and Signal Processing, vol. 93, pp. 460-493, 2017.

[4]          A. K. Panda, J. S. Rapur, and R. Tiwari, "Prediction of flow blockages and impending cavitation in centrifugal pumps using Support Vector Machine (SVM) algorithms based on vibration measurements," Measurement, vol. 130, pp. 44-56, 2018.

[5]          M. Y. Asr, M. M. Ettefagh, R. Hassannejad, and S. N. Razavi, "Diagnosis of combined faults in rotary machinery by non-naive Bayesian approach," Mechanical Systems and Signal Processing, vol. 85, pp. 56-70, 2017, doi: https://doi.org/10.1016/j.ymssp.2016.08.005

[6]          A. Dibaj, M. M. Ettefagh, R. Hassannejad, and M. B. Ehghaghi, "A hybrid fine-tuned VMD and CNN scheme for untrained compound fault diagnosis of rotating machinery with unequal-severity faults," Expert Systems with Applications, vol. 167, p. 114094, 2021, doi: https://doi.org/10.1016/j.eswa.2020.114094.

[7]          J. C. A. J. Correa and A. A. L. Guzman, Mechanical vibrations and condition monitoring. Academic Press, 2020.

[8]          Y. Lei, B. Yang, X. Jiang, F. Jia, N. Li, and A. K. Nandi, "Applications of machine learning to machine fault diagnosis: A review and roadmap," Mechanical Systems and Signal Processing, vol. 138, p. 106587, 2020, doi: https://doi.org/10.1016/j.ymssp.2019.106587.

[9]          C. Qian, J. Zhu, Y. Shen, Q. Jiang, and Q. Zhang, "Deep transfer learning in mechanical intelligent fault diagnosis: application and challenge," Neural Processing Letters, vol. 54, no. 3, pp. 2509-2531, 2022, doi: https://doi.org/10.1007/s11063-021-10719-z.

[10]        S. Djaballah, K. Meftah, K. Khelil, and M. Sayadi, "Deep Transfer Learning for Bearing Fault Diagnosis using CWT Time–Frequency Images and Convolutional Neural Networks," Journal of Failure Analysis and Prevention, pp. 1-13, 2023.

[11]        Y. Ma, J. Yang, and L. Li, "Collaborative and adversarial deep transfer auto-encoder for intelligent fault diagnosis," Neurocomputing, vol. 486, pp. 1-15, 2022, doi: https://doi.org/10.1016/j.neucom.2022.02.050.

[12]        W. Zhang, X. Li, and Q. Ding, "Deep residual learning-based fault diagnosis method for rotating machinery," ISA transactions, vol. 95, pp. 295-305, 2019, doi: https://doi.org/10.1016/j.isatra.2018.12.025.

[13]        A. Hajnayeb, "Cavitation analysis in centrifugal pumps based on vibration bispectrum and transfer learning," Shock and Vibration, vol. 2021, pp. 1-8, 2021.

[14]        M. J. Hasan, A. Rai, Z. Ahmad, and J.-M. Kim, "A fault diagnosis framework for centrifugal pumps by scalogram-based imaging and deep learning," IEEE Access, vol. 9, pp. 58052-58066, 2021.

[15]        D. Zhang and T. Zhou, "Deep Convolutional Neural Network Using Transfer Learning for Fault Diagnosis," IEEE Access, vol. 9, pp. 43889-43897, 2021, doi: 10.1109/ACCESS.2021.3061530.

[16]        Z. Cheng, H. Liu, R. Hua, L. Dong, Q. Ma, and J. Zhu, "Research on Multi-Fault Identification of Marine Vertical Centrifugal Pump Based on Multi-Domain Characteristic Parameters," Journal of Marine Science and Engineering, vol. 11, no. 3, p. 551, 2023.

[17]        A. Kumar, C. Gandhi, Y. Zhou, R. Kumar, and J. Xiang, "Improved deep convolution neural network (CNN) for the identification of defects in the centrifugal pump using acoustic images," Applied Acoustics, vol. 167, p. 107399, 2020.

[18]        W. Zaman, Z. Ahmad, M. F. Siddique, N. Ullah, and J.-M. Kim, "Centrifugal Pump Fault Diagnosis Based on a Novel SobelEdge Scalogram and CNN," Sensors, vol. 23, no. 11, p. 5255, 2023.

[19]        S. Manikandan and K. Duraivelu, "Vibration-based fault diagnosis of broken impeller and mechanical seal failure in industrial mono-block centrifugal pumps using deep convolutional neural network," Journal of Vibration Engineering & Technologies, vol. 11, no. 1, pp. 141-152, 2023.

[20]        Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.

[21]        H. Han, H. Wang, Z. Liu, and J. Wang, "Intelligent vibration signal denoising method based on non-local fully convolutional neural network for rolling bearings," ISA transactions, vol. 122, pp. 13-23, 2022.

[22]        Y. Xue, D. Dou, and J. Yang, "Multi-fault diagnosis of rotating machinery based on deep convolution neural network and support vector machine," Measurement, vol. 156, p. 107571, 2020, doi: https://doi.org/10.1016/j.measurement.2020.107571.

[23]        D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," arXiv preprint arXiv:1412.6980, 2014.

[24]        Z. Jin, D. He, R. Ma, X. Zou, Y. Chen, and S. Shan, "Fault diagnosis of train rotating parts based on multi-objective VMD optimization and ensemble learning," Digital Signal Processing, vol. 121, p. 103312, 2022, doi: https://doi.org/10.1016/j.dsp.2021.103312.

[25]        G. Thakur, E. Brevdo, N. S. Fučkar, and H.-T. Wu, "The synchrosqueezing algorithm for time-varying spectral analysis: Robustness properties and new paleoclimate applications," Signal processing, vol. 93, no. 5, pp. 1079-1094, 2013.

[26]        I. Daubechies, J. Lu, and H.-T. Wu, "Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool," Applied and computational harmonic analysis, vol. 30, no. 2, pp. 243-261, 2011.

[27]        A. Kumar, C. Gandhi, Y. Zhou, G. Vashishtha, R. Kumar, and J. Xiang, "Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST)," Knowledge-Based Systems, vol. 208, p. 106453, 2020.

[28]        J. Tian, C. Morillo, M. H. Azarian, and M. Pecht, "Motor bearing fault detection using spectral kurtosis-based feature extraction coupled with K-nearest neighbor distance analysis," IEEE Transactions on Industrial Electronics, vol. 63, no. 3, pp. 1793-1803, 2015, doi: 10.1109/TIE.2015.2509913.

[29]        V. Muralidharan and V. Sugumaran, "Feature extraction using wavelets and classification through decision tree algorithm for fault diagnosis of mono-block centrifugal pump," Measurement, vol. 46, no. 1, pp. 353-359, 2013.

[30]        L. Van der Maaten and G. Hinton, "Visualizing data using t-SNE," Journal of machine learning research, vol. 9, no. 11, 2008.