جلسه دفاع پایان نامه کارشناسی ارشد (آقای محمدرضا ترابی)

موضوع:  تشخیص هوشمند خرابی بلبرینگ ماشین‌لباس‌شویی با استفاده از سیگنال‌های صوت و ارتعاش

ارائه دهنده:  محمّدرضا ترابی

استادان راهنما: دکتر علی لقمانی، دکتر رضا تیکنی

استادان مشاور: دکتر سعید ضیایی‌راد، دکتر سید جلال ذهبی

استادان داور: دکتر محمّدرضا نیرومند، دکتر بهزاد نظری

چکیده

یاتاقان‌های غلتشی از اجزای پرکاربرد در ماشین‌آلات دوار هستند که خرابی ناگهانی آن‌ها می‌تواند پیامدهای قابل‌توجهی در صنعت به همراه داشته باشد. در سال‌های اخیر، موفقیت مدل‌های یادگیری ماشین در کاربردهای مختلف، توجه به استفاده از آن‌ها در پایش وضعیت و عیب‌یابی را افزایش داده است. به‌علاوه، پیچیدگی‌های موجود در این مسئله، ضرورت بهره‌گیری از روش‌های هوشمند را در این حوزه افزایش داده است. در این پژوهش، با هدف طراحی و ارزیابی مدل‌های یادگیری برای دسته‌بندی عیوب یاتاقان‌های غلتشی، سه مجموعه‌داده مرجع شامل CWRU، PU و MFPT مورد تحلیل قرار گرفتند. بررسی سیگنال‌های ارتعاشی این مجموعه‌داده‌ها با استفاده از طیف مربع پوش نشان داد که بخشی از داده‌ها دارای نشانه‌های کلاسیک عیوب یاتاقان‌های غلتشی هستند، درحالی‎که، برخی فاقد این نشانه‌ها بوده یا الگوهایی متفاوت از عیوب معمول نمایش می‌دهند. دو نوع شبکه عصبی شامل پرسپترون چندلایه (MLP) و شبکه عصبی کانولوشنی یک بعدی (1D-CNN) برای دسته‌بندی داده‌ها استفاده شد. این مدل‌ها با دو نوع تقسیم‌بندی داده‌ها، آموزش داده شدند: تقسیم‌بندی تصادفی و تقسیم‌بندی براساس اندازه‌ عیب. در تقسیم‌بندی تصادفی، به‌دلیل احتمال هم‌پوشانی بخش‌هایی از یک سیگنال در مجموعه‌های آموزش و تست، پدیده‌ نشت داده رخ داده و مدل در مواجهه با داده‌های مشابه با داده‌های آموزشی، دقت‌هایی تقریباً کامل و غیرواقعی به‌دست می‌آورد. در مقابل، تقسیم‌بندی براساس اندازه‌ عیب با حذف این هم‌پوشانی، به مسئله‌ واقعی عیب‌یابی نزدیک‌تر است و نتایج واقع‌بینانه‌تری ارائه می‌دهد، اما به‌دلیل پیچیدگی بالاتر، دقت مدل‌ها در این حالت کاهش می‌یابد. در این پژوهش، برخلاف اغلب مطالعات گذشته که ورودی مدل‌ها را به سیگنال خام یا طیف سیگنال محدود کرده‌اند، از ورودی‌هایی از جمله طیف پوش و طیف پوش پیش‌سفیدشده استفاده شده است که با ماهیت فیزیکی عیب در یاتاقان‌ها هم‌خوانی بیشتری دارند و اطلاعات غنی‌تری از رفتار سیگنال ارائه می‌دهند. نتایج به‌دست‌آمده نشان داد که بهره‌گیری از این ورودی‌های غنی‌تر موجب بهبود قابل‌توجه عملکرد مدل‌ها در این شرایط واقع‌گرایانه‌تر عیب‌یابی شده است. پس از انجام آزمون‌های مختلف روی فراپارامترها، مشخص شد مدل 1D-CNN در هر دو مجموعه‌داده عملکرد بهتری نسبت به MLP دارد. در ادامه، یک مدل ساده‌تر مبتنی بر کانولوشن یک‌بعدی با ورودی طیف مربع پوش انتخاب شد. این مدل برای مجموعه‌داده CWRU دقت 75/00 درصد و برای PU دقت 73/93 درصد به‌دست آورد که از مدل‌های پیچیده‌تر قبلی عملکرد بهتری نشان داده است. بررسی کیفیت داده‌ها نشان داد که حذف داده‌های فاقد نشانه‌های کلاسیک باعث افزایش چشم‌گیر دقت می‌شود. پس از حذف این داده‌ها، دقت مدل برای CWRU به 99/77 درصد و برای PU به 92/03 درصد رسید. همچنین، با تنظیم طول ورودی و افزودن نویز گاوسی به عنوان داده‌افزایی، دقت مجموعه‌داده PU به 6/98 درصد افزایش یافت. بررسی‌ها نشان داد که مدل‌های آموزش‌دیده بر داده‌های با نشانه‌های کلاسیک، خروجی‌هایی تولید کرده‌اند که با تحلیل‌های مبتنی بر پردازش سیگنال تطابق مناسبی دارند و با درک فیزیکی از پدیده‌ عیب نیز هم‌راستا هستند. در ادامه، یادگیری انتقالی برای بهبود عملکرد در شرایطی که داده‌های هدف فاقد نشانه‌های واضح عیب بودند، مورد استفاده قرار گرفت. استفاده از PU به‌عنوان دامنه‌ منبع برای CWRU منجر به افزایش 4/89 درصدی دقت شد، اما استفاده از CWRU یا MFPT برای بهبود عملکرد PU نه‌تنها نتیجه مثبت نداشته است، بلکه موجب افت دقت شد. این نتایج حاکی از اهمیت انتخاب دقیق دامنه‌ منبع و احتمال وقوع یادگیری انتقالی منفی در صورت عدم تطابق ساختاری و آماری داده‌ها هستند. در نهایت، در بررسی اثر ردیابی مرتبه برای داده‌ها با سرعت مختلف، مشخص شد که استفاده از ردیابی مرتبه در حالتی که مجموعه آموزش و تست دارای سرعت‌های مختلف باشند، موجب افزایش دقت میانگین تا 13/01 درصد شده است و نقش مهمی در ارتقاء تعمیم‌پذیری مدل‌ها در کاربردهای صنعتی ایفا می‌کند.

کلمات کلیدی: عیب‌یابی هوشمند، یاتاقان‌های غلتشی، تحلیل طیف پوش، یادگیری عمیق، یادگیری انتقالی، تحلیل مرتبه