افزایش استحکام پمپ دنده ای چه روش‌هایی دارد؟

پمپ دنده داخلی از نظر ساختار ساده، اندازه کوچک و وزن سبک است. این یک جزء اساسی مهم است که از توسعه سیستم هیدرولیک با نویز کم پشتیبانی می‌کند.
ما در این نوشته در مورد افزایش استحکام پمپ دنده‌ای صحبت خواهیم کرد.
با این حال، محیط کاری آن سخت و پیچیده است و خطرات پنهان مربوط به قابلیت اطمینان و قرار گرفتن در معرض ویژگی‌های صوتی در دراز مدت وجود دارد. برای برآوردن الزامات قابلیت اطمینان و صدای کم، ساخت مدل‌هایی با ارزش تئوری قوی و قابل توجه عملی برای نظارت دقیق بر سلامت و پیش بینی عمر باقی مانده پمپ دنده داخلی بسیار ضروری است. این مقاله یک مدل مدیریت وضعیت سلامت پمپ دنده داخلی چند کاناله مبتنی بر ResNet قوی را پیشنهاد می‌کند.
Robust-ResNet یک مدل ResNet بهینه شده بر اساس ضریب گامی h در رویکرد اویلری برای افزایش استحکام مدل ResNet است.
این مدل یک مدل یادگیری عمیق دو مرحله‌ای بود که وضعیت سلامت فعلی پمپ‌های دنده داخلی را طبقه‌بندی می‌کرد و همچنین عمر مفید باقیمانده (RUL) پمپ‌های دنده داخلی را پیش بینی می‌کرد.

مدل‌سازی

در این مدل‌سازی در مجموع پمپ دنده ای که توسط نویسندگان جمع‌آوری شده بود مورد آزمایش قرار گرفت.
این مدل همچنین در داده‌های بلبرینگ نورد از دانشگاه Case Western Reserve (CWRU) مفید است. نتایج دقت مدل طبقه‌بندی وضعیت سلامت در دو مجموعه داده ۹۶/۹۹ درصد و ۹۴/۹۹ درصد بود.
دقت مرحله پیش‌بینی RUL در مجموعه داده‌های خود جمع‌آوری‌ شده ۹۹.۵۳ درصد بود.
نتایج نشان داد که مدل پیشنهادی بهترین عملکرد را در مقایسه با سایر مدل‌های یادگیری عمیق و مطالعات قبلی به دست آورد. روش پیشنهادی همچنین ثابت شد که سرعت استنتاج بالایی دارد.
همچنین می‌تواند به نظارت در زمان واقعی مدیریت سلامت تجهیزات دست یابد. این مقاله یک مدل یادگیری عمیق بسیار موثر برای مدیریت سلامت پمپ دنده داخلی با ارزش کاربردی عالی ارائه می‌دهد. قابلیت خود پرایمینگ خوب، عملکرد قابل اعتماد و ضریب ضربان جریان پایین.
با این حال، محیط سخت عملیاتی آن باعث کاهش سریع عملکرد در طول استفاده طولانی مدت می‌شود و خطاهای جدی صوتی و مکانیکی می‌تواند در مراحل میانی و اواخر عمر آن رخ دهد [1].
بنابراین واضح است که پمپ‌های دنده داخلی در هنگامی که در معرض خطر باشند، قابلیت اطمینان بیشتری داشته و  ویژگی‌های صوتی آن در طول کارکرد طولانی مدت کاهش می‌یابند [2].
بنابراین، تشخیص عیب و عمر مفید باقیمانده (RUL) پمپ‌های دنده داخلی از اهمیت عملی زیادی برخوردار است.
روش‌های اصلی تشخیص عیب ماشین‌های دوار، روش‌های مبتنی بر مدل فیزیکی، روش‌های مبتنی بر مدل آماری، روش‌های هوش مصنوعی مبتنی بر داده و روش‌های ترکیبی هستند [3].
با ظهور فناوری هوش مصنوعی و توسعه حسگرها و پردازش سیگنال، روش‌های هوش مصنوعی مبتنی بر داده به طور فزاینده‌ای برای کارهای تشخیص عیب ماشین‌های دوار محبوب می‌شوند [3،4]، که می‌تواند به طور خودکار وضعیت عیب فعلی و RUL دستگاه را تشخیص دهد. تجهیزات با دانش و تجربه پیشینی اندک.

آنالیز ساختاری

روش‌های هوش مصنوعی مبتنی بر داده به روش‌های یادگیری ماشینی و یادگیری عمیق تقسیم می‌شوند [3،4]. روش‌های تشخیص خطا مبتنی بر یادگیری ماشین معمولاً شامل سه مرحله هستند: جمع‌آوری داده، استخراج ویژگی و تشخیص الگو.
استخراج ویژگی محور این روش‌ها بوده و مهمترین مرحله در آن‌ها می‌باشد.
به عنوان مثال، Miao و همکاران. [5] از تجزیه حالت تجربی گروه مکمل (CEEMD) و تجزیه مقدار منفرد (SVD) برای تجزیه سیگنال فشار، سیگنال ارتعاش و سیگنال جریان برای ساخت بردارهای ویژگی استفاده کرد و یک روش تشخیص عیب پمپ هیدرولیک را از طریق الگوریتم یادگیری مهاجرت TrAdaBoost ساخت.
لو و همکاران [6] سیگنال فشار خروجی پمپ پیستون را بر اساس تجزیه حالت تجربی (EMD) تجزیه کرد و اجزای مهم تابع حالت ذاتی (IMF) را با توجه به معیار ضریب همبستگی فیلتر کرد و آنتروپی انرژی مشخصه هر جزء را به عنوان بردار ویژگی خطا محاسبه کرد. یانگ و همکاران [7] ترکیبی از تجزیه سیگنال حالت تجربی گروه (EEMD) و آنتروپی نمونه برای استخراج ویژگی‌های خطای ماشین‌های دوار.
وانگ و همکاران [8] از آنتروپی تراز چند مقیاسی به عنوان یک ابزار استخراج ویژگی برای تشخیص خطای پمپ هیدرولیک و یاتاقان استفاده کرد.
ژو و همکاران [9] از تجزیه حالت متغیر (VMD) برای تجزیه، فیلتر و بازسازی سیگنال ارتعاش پمپ پیستون استفاده کرد، سپس آنتروپی پراکندگی نوسانی چند مقیاسی کامپوزیت ظریف را برای سیگنال پردازش شده به عنوان بردار ویژگی استخراج کرد.
امروزه، با افزایش قدرت محاسباتی و مقادیر انبوه داده‌های شرایط صنعتی برای پشتیبانی از آن، خطاها اغلب در ویژگی سیگنال یکپارچه منعکس می‌شوند که برای روش‌های مبتنی بر یادگیری عمیق مناسب است.
روش‌های یادگیری عمیق در زمینه‌های مختلف [10،11]، از جمله تشخیص اشیا، تقسیم‌بندی و تشخیص [12-14] به موفقیت زیادی دست یافته‌اند.