Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một mô hình mô tả xác suất cho việc đánh giá sức khỏe của máy móc quay
Tóm tắt
Bảo trì dựa trên tình trạng đã trở nên phổ biến trong những năm gần đây nhờ vào những lợi ích của nó trong việc giảm thời gian ngừng hoạt động, kéo dài tuổi thọ và giảm chi phí. Chiến lược bảo trì này dựa trên việc giám sát tình trạng của máy móc trong quá trình vận hành. Việc giám sát tình trạng là một bước điển hình trong phân tích quyết định bảo trì. Nhiều phương pháp xử lý tín hiệu không ổn định đã được phát triển để làm rõ các đặc điểm lỗi trong máy móc quay. Trong nghiên cứu này, một phương pháp phân tích tín hiệu thích nghi gọi là phân rã mô hình thực nghiệm được áp dụng cho việc tiền xử lý tín hiệu rung của hộp số. Xem xét một hiện tượng điều chế xuất hiện trong một bánh răng hỏng, Biến đổi Hilbert được áp dụng để thu được chữ ký bao bọc, thường chứa nhiều chữ ký có liên quan đến lỗi. Khác với các vấn đề phân loại lỗi khác, bài báo này tập trung vào việc xác định xác suất của tình trạng bình thường dựa trên các quan sát hiện tại mô tả tình trạng của hộp số. Hơn nữa, theo quy tắc Bayes, vấn đề này có thể được chuyển đổi để ước tính xác suất có điều kiện của các quan sát hiện tại với điều kiện hộp số bình thường bằng cách sử dụng Mô hình Markov Ẩn. Từ điểm này, một chỉ số mô tả sức khỏe xác suất mới gọi là Chỉ số Xác suất Trung bình được đề xuất cho việc đánh giá sức khỏe hộp số. Để phát hiện tự động, một ngưỡng bán động được trình bày để phát hiện lỗi sớm trong một bánh răng. Cuối cùng, các nghiên cứu xác thực và so sánh được thực hiện bằng cách sử dụng hai bộ dữ liệu rung của việc thử nghiệm thời gian sống của hộp số được tăng tốc. Kết quả cho thấy những ưu điểm của phương pháp được đề xuất cho việc giám sát tình trạng của hộp số.
Từ khóa
Tài liệu tham khảo
A. K. S. Jardine, D. Lin and D. Banjevic, A review on machinery diagnostics and prognostics implementing conditionbased maintenance, Mechanical System and Signal Processing, 20(7) (2006) 1483–1510.
W. J. Wang and P.D. McFadden, Application of Wavelets to gearbox vibration signals for fault detection, Journal of Sound and Vibration, 192(5) (1996) 927–939.
N. E. Huang, Z. Shen, S. R. Long, et al, The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society of London Series A-Mathematical Physical and Engineering Sciences, 454 (1971) (1998) 903–995.
X. Fan, and M. J. Zuo, Machine fault feature extraction based on intrinsic mode functions, Measurement Science and Technology, 19(4) (2008) 045105.
L. Chen, X. Li, X. B. Li and Z. Huang, Signal extraction using ensemble empirical mode decomposition and sparsity in pipeline magnetic flux leakage nondestructive evaluation, Review of Scientific Instruments, 80(2) (2009) 3082021.
H. B. Dong, K. Y. Qi, X. F. Chen, et al., Sifting process of EMD and its application in rolling element bearing fault diagnosis, Journal of Mechanical Science and Technology, 23(8) (2009) 2000–2007.
A. M. Bassiuny, X. Li and R. Du, Fault diagnosis of stamping process based on empirical mode decomposition and learning vector quantization, International Journal of Machine Tools and Manufacture, 47(15) (2007) 2298–2306.
Q. Gao, C. Duan, H. Fan and Q. Meng, Rotating machine fault diagnosis using empirical mode decomposition, Mechanical System and Signal Processing, 22(5) (2008) 1072–1081.
Y. Li, P.W. Tse,, X. Yang and J. Yang, EMD-based fault diagnosis for abnormal clearance between contacting components in a diesel engine, Mechanical System and Signal Processing, 24(1) 2010 193–210.
L. R. Rabiner, A tutorial on hidden Markov models and selected applications in speech recognition, Proceedings of the IEEE, 77(2) (1989) 257–286.
T. Marwala, U. Mahola and F.V. Nelwamondo, Hidden Markov models and Gaussian mixture models for bearing fault detection using fractals, Proceedings of 2006 International Joint Conference on Neural Networks, 3237–3242.
H. Ocak and K. A. Loparo, HMM-based fault detection and diagnosis scheme for rolling element bearings, Journal of Vibration and Acoustics-Transactions of the ASME, 127(4) (2005) 299–306.
J. S. Huang and P. J. Zhang, Fault diagnosis for diesel engines based on discrete hidden Markov model, Proceedings of the 2009 Second International Conference on Intelligent Computation Technology and Automation, (2009) 513–516.
D. Lin, M. Wiseman, D. Banjevic and A. K. S. Jardine, An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure, Mechanical Systems and Signal Processing, 18(5) (2004) 993–1007.
A. J. Miller, A New Wavelet Basis for the Decomposition of Gear Motion Error Signals and Its Application to Gearbox Diagnostics, MSc Thesis, The Graduate School, The Pennsylvania State University (1999).