شناسايي عيب در شمع موتور با استفاده از تحليل ارتعاش به كمك شبكة عصبي

فصلنامة علمي- پژوهشي تحقيقات موتور شمارة 8 )پاييز 31( صفحه 81-8 فصلنامة علمي- پژوهشي تحقيقات موتور تارنماي فصلنامه: www.engineresearch.ir شناسايي عيب در شمع موتور با استفاده از تحليل ارتعاش به كمك شبكة عصبي 6 5 سيد محمد جعفري بابک سخايي مقداد خزايي سيد اشکان موسويان غالمحسن نجفي 8* برات قباديان 3 دانشگاه تربيت مدرس تهران ايران a.moosavian@modares.ac.ir 8 دانشگاه تربيت مدرس تهران ايران g.najafi@modares.ac.ir 3 دانشگاه تربيت مدرس تهران ايران ghobadib@modares.ac.ir دانشگاه صنعتي شريف و شركت تحقيق طراحي و توليد موتور ايران خودرو )ايپکو( تهران ايران sm_jafari@ip-co.com 5 دانشگاه صنعتي شريف و شركت تحقيق طراحي و توليد موتور ايرانخودرو )ايپکو( تهران ايران b_sakhaei@ip-co.com 6 دانشگاه تربيت مدرس تهران ايران m.khazaee@modares.ac.ir * نويسنده مسئول شمارة تلفن: 18-818388 چكيده يکي از قطعات تأثيرگذار بر روي كيفيت احتراق شمعهايند بهطوريكه اگر شمعها سالم نباشند ميتوانند تأثير سويي بر آاليندگي و بازده موتور داشته باشند. در اين مقاله با هدف جلوگيري از اثرات سوء شمعهاي معيوب روشي بر پاية تحليل ارتعاش براي شناسايي عيب در شمع موتور ارائه ميشود. دادههاي ارتعاش موتور به كمک حسگر شتابسنجي در شرايط شمع سالم و معيوب ذخيره شدند. به دليل وجود نوفه هاي شديد روش حذف نوفه به منظور بهبود پردازش عالئم بکار گرفته شد. سپس براي بهدست آوردن اطالعات مفيد تشخيصي از دادههاي پردازش شده روش استخراج ويژگي به كمک متغيرهاي آماري استفاده شد. در اين تحقيق هفت ويژگي بيشينه ميانگين انحراف معيار واريانس چولگي كورتسيس و شاخص ضربه در مرحلة استخراج ويژگي بهكار گرفته شد. شبکة عصبي با هفت عصب درالية ورودي تحت آموزش قرار گرفت. پس از ايجاد ساختار بهينه عملکرد شبکة طراحي شده آزمايش شد. نتايج نشان دادند كه دقت كافي در تشخيص شمع معيوب بهدست آمد. بنابراين ميتوان ذكر كرد كه روش پيشنهاد شده ميتواند بهطور قابل اطميناني براي شناسايي عيب در شمع موتور استفاده شود. اطالعات مقاله تاريخچة مقاله: دريافت: 8 مهر 318 پذيرش: 81 آبان 318 كليدواژهها: عيبيابي شمع موتور تحليل ارتعاش حذف نوفه شبکة عصبي تمامي حقوق براي انجمن علمي موتور ايران محفوظ است.

88 تاكنون تالشهاي بسياري براي تشخيص عيب موتورها با استفاده از روشهاي هوش مصنوعي انجام گرفته است اما تحقيق دربارة عيبيابي ارتعاشي شمع موتور بسيار كم است. ديبتون و همکاران ][ به بررسي ارتعاشي بدنه در حالتهاي سالم و معيوب پرداختند. آنها دريافتند كه بازة ارتعاشي موتور ميتواند اطالعات قابل اطميناني را نسبت به شرايط كاري موتور نشان دهد و عالئم ارتعاشي ميتواند 8 منبع خرابي را شناسايي كند. آري و همکاران ]5[ توانستند عيوب قطع يک شمع و لقي دسته موتور را با استفاده از تحليل ارتعاش و 3 روش تبديل سريع فوريه انجام دهند. هوآنگ و همکاران ]6[ يک روش ارتعاشي تشخيص عيوب را براي موتور ديزل به كمک تبديل موجک و شبکة عصبي ارائه كردند. در اين تحقيق عيوبي نظير نشتي 5 دريچه هوا و دود بررسي و شناسايي شدند. وو و همکاران ]7[ به بررسي ارتعاشي عيوب موتور خودرو با استفاده از تبديل موجک و شبکة عصبي پرداختند. همچنين آنها ][ به تشخيص عيوب موتور به كمک فشار چندراهة ورودي و شبکة عصبي پرداختند. ابراهيمي و مالزاده ]1[ سامانهاي براي تشخيص عيوب موتور در موتوري ديزلي 7 6 را به كمک تحليل ارتعاش ارائه كردند. ياداو و كالرا ]1[ روشي براي عيبيابي موتور درونسوز بر پاية تحليل صدا و استفاده از شبکة عصبي ارائه كردند. ونگ و همکاران ][ به كمک شبکة عصبي عيوب مختلف موتور را بررسي و شناسايي كردند. در اين تحقيق عيوبي نظير عدم احتراق در هر يک از استوانهها خرابي حسگر اكسيژن 1 درصد تنگ شدگي دهانة شمع و 11 درصد گشاد شدن دهانة شمع در نظر گرفته شد. همچنين دادههاي دما و نيز محتواي 1 1 گازهاي خروجي براي تحليل استفاده شدند. ونگ و ونگ ]8[ روشي براي عيبيابي در موتورهاي بنزيني ارائه كردند. در اين تحقيق از دادههاي الگوي اشتعال استفاده شد و عيوبي از قبيل مقاومت باال در سيم شمع كم شدن فاصلة الکترودهاي شمع كوبش و نشتي چندراهة ورودي بررسي شدند. چن و همکاران ]3[ به عيب يابي موتور با استفاده از ارتعاشات پيچشي و شتاب زاويهاي بدنة موتور پرداختند. در اين تحقيق از شبکة عصبي براي ايجاد سامانة تشخيصي استفاده شد. جوان و همکاران ]3[ به بررسي تأثير خوردگي شمع بر ولتاژ الزم براي جرقه زني پرداختند. در اين مقاله ذكر شد كه اين عيب مي تواند بر سامانه جرقه زني فشار آورده و مشکالت ديگري را نيز به همراه داشته باشد. 1 debotton Ari 3 Fast Fourier Transform (FFT) Huang 5 Wu 6 Yadav 7 Kalra 8 Wang Vong 1 Wong 11 Chen 1( مقدمه هدف از پايش وضعيت نظارت بر وضعيت عملکرد دستگاه و بهدست آوردن آثار و نشانة وضعيت دستگاه است زماني كه دستگاه در حال انجام عمليات ميباشد بهطوريكه دستگاه بتواند به صورت اقتصادي و ايمني نگهداري شده يا فعال بماند. هر سامانة پويا برقي هيدروليکي يا حرارتي داراي عالئم مشخصهاي است كه وضعيت عادي آن دستگاه را در حين كار نشان ميدهد. تغيير اين عالئم هر چند به اندازة كم ميتواند نشانهاي از بروز اشکال و خرابي در سامانه باشد. منظور از پايش وضعيت تعيين وضعيت سامانه با اندازهگيري عالئم مشخصة آن و بهرهگيري از اين اطالعات براي پيشبيني خرابي سامانه است. پايش وضعيت با روشها و روشهاي مختلفي اجرا ميگردد ][. در تحليل ارتعاش مقدار ارتعاشات دستگاه با استفاده از حسگرهاي خاص اندازهگيري ميشود زيرا دامنة ارتعاشات هر دستگاه معياري از سالمت آن است. بدين منظور ميتوان يکي از متغيرهاي جابجايي سرعت يا شتاب را با حسگرهاي مختلف در موقعيتهاي گوناگون و مکانهاي متفاوت در دستگاه اندازهگيري كرد. عالوه بر اين تجزيه و تحليل ارتعاشات ميتواند بهمنظور عيبيابي در دستگاه ها استفاده شود زيرا اكثر مشکالت دستگاه هاي دوار به صورت عالئم ارتعاشي يا تغيير در مشخصههاي ارتعاشي سامانه ظاهر ميگردد. از طرف ديگر هر عيب يا مشکل مکانيکي عالئم ارتعاشي مخصوص به خود را ايجاد ميكند. به اين ترتيب ميتوان با تحليل ارتعاشات دستگاه به مشکالت و عيوب آن پي برد ]8[. با توجه به افزايش تقاضا در عملکرد و بازده بهتر و نيز افزايش در قابليت اطمينان خودروها تشخيص عيب در مقولة پايش وضعيت دستگاه ها اهميت زيادي پيدا كرده است. تشخيص اولية عيوب موتورها در حاليكه موتور در حال كار است ميتواند در جلوگيري از وقوع حوادث غير قابل پيشبيني كمک كند. بهطور مثال اگر عيبي در سامانة جرقهزني موتور به وجود آيد كيفيت احتراق درون استوانه و به تبع آن عملکرد موتور تضعيف مي شود و با تضعيف كيفيت احتراق آاليندگي موتور افزايش مييابد و در بعضي شرايط ممکن است يک استوانه از كار بيفتد و موتور تنها با سه استوانه كار كند. واضح است كه در اين حالت مشکالت بسياري براي موتور ايجاد ميشود. قطبهاي شمع )الکترودها( تمايل به خوردگي دارند بدين معنا كه با گذشت زمان فاصلة ميان قطبهاي شمع به مرور افزايش مي يابد. با افزايش فاصلة قطبها جرقهاي قويتر نياز است كه در اين حالت ولتاژ بيشتري از سامانه جرقهزني كشيده ميشود و ممکن است به آن آسيب وارد كند ]3[. اثر مهم ديگري كه شمع معيوب دارد افت در بازده است كه براي موتورها مطلوب نيست. بنابراين الزم است چنين عيب اجتناب ناپذيري كه به مرور زمان در شمعها اتفاق ميافتد بموقع شناسايي شود.

83 مقاله حاضر به مطالعة عيب شمع و شناسايي آن به كمک دادههاي ارتعاش موتور ميپردازد. تفاوت اين تحقيق با تحقيق ونگ و همکاران ][ در استفاده از عيب بسيار ريزتر و نيز بهكارگيري دادههاي ارتعاش موتور در شناسايي عيب شمع ميباشد. بعالوه ديده ميشود كه در تحقيقات ديگر عيب گشاد شدگي دهانة شمع بررسي نشده كه از اين حيث مبين جديد بودن تحقيق حاضر ميباشد. همچنين روشهاي استفاده شده در اين تحقيق براي شناسايي عيب شمع نيز به نوبة خود منحصر به فرد است. در اين تحقيق شرايط موتور به نحوي انتخاب شدند كه عيب در نظر گرفته شده عالئم واضحي را نشان ندهد يعني شرايط براي عيبيابي سختگيرانهتر شدند. زيرا با انتخاب كمترين دور و بار صفر عالئم عيوب ميتوانند پنهانتر از شرايط ديگر باشند. در گام بعدي شمعهاي سالم و معيوب بهطور جداگانه روي موتور نصب شدند. ناگفته نماند كه در حالت معيوب شمع خراب تنها روي استوانة نصب شد و تمامي شرايط ديگر مشابه حالت سالم بودند. پر واضح است كه در اين شرايط تغيير در رفتار ارتعاشي موتور تنها بهدليل خرابي شمع ميباشد. جدول تفاوت ميان شمعهاي سالم و معيوب را نشان ميدهد. همان طور كه ديده مي شود در حالت معيوب دهانة شمع تقريبا 7 درصد بيشتر شده است. به منظور تأييد مشکلزا بودن اين عيب ميتوان به مقالة جوان و همکاران ]3[ اشاره كرد. در اين مقاله ذكر شده است كه با افزايش تنها 81 درصد در دهانة شمع ولتاژ الزم براي جرقهزني در فشار بار بيش از درصد افزايش مييابد. پس همان طور كه پيشتر نيز ذكر شد يکي از اثرات نامطلوب عيب گشاد شدن دهانة شمع وارد آمدن فشار بر سامانه جرقهزني و آسيب رساندن به آن است ][. همچنين با افزايش دهانة شمع مدت زمان جرقه كاهش مييابد كه اين امر در انرژي برقي الزم براي اشتعال مخلوط سوخت و هوا نيز تأثير سويي ميگذارد. بعالوه افزايش دهانة شمع هر چند كم ميتواند در الگوي جرقه زني تغيير ايجاد كند كه همين امر ميتواند موجب افزايش تغييرات چرخهاي فشار مؤثر متوسط داخلي شود ]3[. در مجموع ميتوان ذكر كرد كه عيب در نظر گرفته شده عملکرد سامانه جرقهزني و كاركرد مناسب موتور را تحت تأثير قرار داده است. همچنين اگر در اين شرايط عيب تشخيص داده نشود پس از گذشت زمان عيب پيشرفت كرده و مشکالت بيشتري را براي موتور ايجاد ميكند. ( مواد و روشها روش متداول براي تشخيص خرابيها شامل بررسي تغييرات قابل اندازهگيري سامانه با توجه به رواداشت مقادير بهدست آمده از پايش وضعيت دستگاه با حالت سالمت ميباشد. اين روش نياز به شخصي خبره بهمنظور اعمال نظر براي سالمت يا معيوب بودن دستگاه دارد. در اين تحقيق قصد بر آن است كه سامانة هوشمند تشخيص عيب ارائه گردد بهطوريكه اين سامانه در دادن تصميم سريع نسبت به سالم يا معيوب بودن موتور بدون نياز به شخص خبره كمک نمايد. براي اين منظور دادههاي ارتعاش براي تشخيص عيب استفاده گرديدند. سامانة ارائه شده شامل چهار مرحله ميباشد كه بترتيب عبارتند از: - تحصيل داده: در اين مرحله دادههاي ارتعاش در حاالت سالم و معيوب شمع موتور جمعآوري مي شوند. - پردازش داده: در اين مرحله با استفاده از روش تبديل موجک نوفه دادهها گرفته ميشود. - استخراج ويژگي: در اين مرحله به كمک توابع آماري مختلف ويژگيهاي وابسته به دادههاي سالم و معيوب استخراج ميشوند. - تصميم گيري: در اين مرحله كه به مرحلة طبقهبندي نيز معروف است به كمک شبکة عصبي وضعيت شمع تشخيص داده ميشود.]1[ شکل : موتور آزمون 1-( تحصيل داده در اين تحقيق آزمايشها بر روي موتوري چهار استوانة بنزيني انجام شد )شکل (. اين موتور بهنام XU7 معروف بوده و براي خودروهايي نظير پژو 15 و سمند بهكار مي رود. آزمونها در دور درجا و در شرايط بدون بار انجام شدند. دليل انتخاب شرايط مذكور اين است كه اساسا عيوب در شرايط سختتر )با دور تندتر و بار بيشتر( ميتوانند تأثيرگذارتر شوند يعني ميتوانند بهشکل واضحتري خود را نشان دهند. مسلما در اين شرايط فرآيند عيبيابي آسانتر شده و شناسايي عيب به مراتب سهلتر خواهد شد. 1 Artificial neural network (ANN)

8 كه N طول داده و σ انحراف معيار نوفه ميباشد ]5[. شايان ذكر است كه فرآيند حذف نوفه استفاده شده در اين تحقيق به كمک نرمافزار MATLAB با برنامة رايانهاي اين روش و مشابه روند طي شده در پژوهش عباسيون و همکاران ]5[ انجام شده است. جدول : مشخصة شمع سالم و معيوب وضعيت شمع فاصلة قطبها يا الکترودها )ميليمتر ) 1/15 سالم / معيوب () t t(s) t(s) شکل 8: )( براي دريافت دادههاي ارتعاش يک حسگر شتابسنج پيزوالکتريک PCB 357B11 روي بستار موتور و نزديک به استوانة بهطور افقي نصب شد. سامانة اكتساب داده شامل تقويت كنندة B&K NEXUS با محدودة زياد و خروجي ( 1 - )mv/ms براي تقويت دادهها و دستگاه جمعآوري اطالعات 7 ورودي با نرخ دادهبرداري )MHz( با عنوان تجاري Dyn-X بود. همچنين براي ثبت دادهها بر روي رايانه از نرمافزار Pulse نسخة استفاده شد. در نهايت تحليل دادهها به كمک نرمافزار MATLAB 7.6. انجام شد. -( حذف نوفه تبديل موجک ابزاري است براي تقسيم كردن داده و يا تابعي است براي عمل كردن بر روي اجزاء مختلف بسامدي بهمنظور بررسي هر جزء با وضوح وابسته به مقياس و اطالعات بوجود آمده در هر دو حوزة زمان و بسامد. اين تبديل با معادلة آتي بيان ميشود: يکي از كاربردهاي تبديل موجک حذف نوفه از داده است. از آنجا كه تبديل موجک مقدار مشابهت اجزاي داده را با توابع موجک بيان ميكند و چون نوفه و مولفههاي نامعين مشابهت ناچيزي با توابع موجک دارند در نتيجه آنها بهصورت اجزايي با دامنههاي بسيار كمتر از ساير اجزا ديده ميشوند و ميتوانند براحتي با تعريف حد آستانه از داده جدا شوند. در مقايسه با تصفية )فيلتر كردن( معمولي اين روش ميتواند كارايي بيشتري داشته باشد چون بين نوفه هاي بسامد باال و اتفاقات گذراي ناشي از عيب كه آنها نيز بسامد بااليي دارند تفاوت قائل ميشود امري كه در تصفية )فيلتر كردن( معمولي اتفاق نميافتد. بنابراين بهمنظور كاهش اثر نوفه روي دادههاي گرفته شده موجک 3 8 نوفهگير استفاده ميشود. در اين تحقيق موجک گسستة مير بهعنوان موجک مادر )تابع موجک( استفاده شد. جزييات و تقريبهاي موجک تجزيه كنندة مير در شکل 8 نشان داده شدهاند. براي فرآيند الگونمايي سري دادة خاص قاعدة آستانة عمومي استفاده شد كه بدين شکل است: )8( موجک مير: سمت چپ( موجک تركيب براي تجزيه )جزييات( سمت راست( مقياس تركيب براي تجزيه )تقريبات( 3-( استخراج ويژگي چون جدول دادههاي پردازش شده ميتواند بسيار بزرگ باشد )داراي تعداد دادههاي بسيار زيادي است( بايد روشي اجرا شود كه خصوصيات مختلف داده را بهدست آورد تا هم نمايندة اين داده باشند و هم با اين روش حجم مجموعه دادهها كاهش يافته و بار محاسباتي نيز كم شود. استخراج ويژگي فرآيندي است كه در آن با انجام عملياتي بر روي دادهها ويژگيهاي بارز و تعيينكنندة دادهها مشخص ميشود. به بيان ديگر مهمترين ويژگيهاي معنيدار با استفاده از برخي توابع آماري محاسبه ميشوند. هدف استخراج ويژگي اين است كه دادههاي اوليه به شکل قابل استفادهتري براي پردازشهاي بعدي درآيند. بنابراين در اين تحقيق نيز از روش استخراج ويژگي بهمنظور بهدست آوردن خصوصيات مختلف دادهها در حاالت سالم و معيوب استفاده شد. توابع استفاده شده براي تحقق اين 7 6 5 امر عبارت بودند از: بيشينه ميانگين انحراف معيار واريانس 1 1 چولگي كورتسيس و شاخص ضربه ]1[. جدول 8 معادلة توابع آماري مذكور را نشان ميدهد. 5 Maximum 6 Mean 7 Standard deviation 8 Variance Skewness 1 Kurtosis 11 Impulse factor 1 Resolution Wavelet denoising 3 Discrete Meyer wavelet Universal threshold rule

85 جدول 8: معادلة توابع آماري استفاده شده معادله نام تابع بيشينه ميانگين انحراف معيار واريانس چولگي كورتسيس شاخص ضربه كه سري داده و N تعداد داده در هر سري داده است -( شبكة عصبي شبکههاي عصبي مصنوعي سامانههايي براي پردازش اطالعات هستند كه سازوكار آنها از سامانة عصبي زيستي الهام گرفته است. شبکههاي عصبي مصنوعي كه به اختصار شبکههاي عصبي ناميده ميشوند از تعدادي واحدهاي پردازش متصل به هم )neuron( تشکيل يافتهاند. قابليت مهم شبکههاي عصبي يادگيري ميباشد. يادگيري در شبکههاي عصبي مانند انسان از روي مثال ميباشد. در سالهاي اخير گزارشات فراواني مبني بر استفاده از شبکههاي عصبي در رشتههاي مختلف علوم به ثبت رسيده است. با توجه به كاربرد گستردة شبکههاي عصبي از نوع پيشخور پس انتشار در مسايل طبقهبندي در تحقيق حاضر نيز از اين نوع شبکه استفاده شد. همچنين شبکة عصبي طراحي شده داراي ساختار سه اليه ميباشد كه شامل الية ورودي الية پنهان و الية خروجي است. در الية ورودي تعداد عصبها برابر با تعداد ويژگيهاي استخراج شده ميباشد. تعداد عصبهاي الية خروجي بايد برابر تعداد دستههاي موجود باشد پس در اين تحقيق به موجب وجود دو حالت سالم و معيوب دو عصب در الية خروجي قرار دارد. همانطور كه اشاره شد تعداد عصبهاي دوالية ورودي و خروجي با توجه به صورت مسئله تعيين ميشوند و تنها الية پنهان است كه قابليت تغيير به كمک كاربر را دارد. به همين دليل شبکه با تعداد مختلفي از عصبهاي اليه پنهان تحت آموزش قرار گرفت تا ساختار بهينه ايجاد شود. در نهايت ديده شد كه شبکه با 5 عصب درالية پنهان داراي بهترين عملکرد ميباشد. شکل 3 ساختار بهينة شبکة طراحي شده را نشان ميدهد. شکل 3: ساختار بهينة شبکة عصبي براي تشخيص عيب در شمع 3( نتايج و بحث شکل دادههاي ارتعاش حالت معيوب شمع موتور را قبل و بعد از حذف نوفه نشان ميدهد. شکل طيف داده بدون نوفه نيز در شکل 5 نشان داده شده است. در اين شکل مالحظه ميشود كه بسامد غالب اين داده در بسامد دو برابر دور موتور ميباشد. بدين معني كه اولين بيشينة دامنه در موتور بنزيني چهار استوانه در هارمونيک دوم رخ ميدهد. اين امر بهدليل فرآيند احتراق است كه در هر يک دور ميل لنگ دو احتراق در موتور رخ ميدهد. بنابراين طيف نشان داده شده در دادة بدون نوفه داراي بسامدهاي منظور ميباشد يعني فرآيند حذف نوفه توانسته است بخوبي مشخصههاي بسامدي داده را نشان دهد. از طرف ديگر بدون حذف نوفه اين مشخصهها پنهان ميماند و نتايج اشتباهي بهدست خواهند آمد زيرا دادههاي ارتعاش موتور بشدت نوفه دار و غيرگذرا و عالئم عيب در آنها غير قابل شناسايي ميشوند. شکلهاي 6 و 7 مقايسهاي ميان دادههاي ارتعاش ناشي از شمعهاي سالم و معيوب را نشان ميدهند. با مقايسة دادهها در حوزة زمان ديده ميشود كه تمايز ميان حاالت سالم و معيوب به صورت بصري امکان پذير نميباشد. همين امر دليلي بر ريز بودن عيب در نظر گرفته شده در اين تحقيق است. بدين معنا كه عيب موجود در شمع به قدري ريز بوده كه عالئم مشخصي را در دادههاي ارتعاش پديد نياورده است پس براي شناسايي اين عيب نياز به تحليلهاي بيشتري ميباشد. در شکل 7 دادههاي حوزة بسامد براي حاالت سالم و معيوب شمع آورده شده است. شايان ذكر است كه اين شکل طيفها پس از عمليات حذف نوفه از دادههاي ارتعاش بهدست آمدند. ديده ميشود كه در اين حوزه اجزاء بسامدي وابسته به ارتعاشات موتور به وضوح مشخص بوده و تفاوت دو حالت نمايانتر شده است كه اين نتايج مطلوب ناشي از بهكارگيري روش حذف نوفه بوده است. در مرحلة استخراج ويژگي توابع آماري ذكر شده در جدول 8 برروي دامنة ارتعاش دادههاي بدون نوفه اعمال شدند. به اين طريق مجموعة كلي داده براي حاالت سالم و معيوب تشکيل شد. ناگفته نماند كه در تحقيق حاضر براي هر حالت موتور 35 نمونه جمعآوري شد.

86 بنابراين ميتوان گفت كه اين مجموعه داده شامل يک جدول كلي ميباشد كه سطر و ستون آن بترتيب نمونهها و ويژگيهايند يعني يک جدول 7 71 ايجاد شد. سپس مجموعة كلي داده به دو قسمت دادههاي آموزش و دادههاي آزمايش براي فرآيندهاي يادگيري و اعتبارسنجي شبکة عصبي تقسيم شدند. جدول 3 تقسيمبندي دادهها را بتفکيک نشان ميدهد. شکل : شکل 5: طيف دادة شکل 6: داده حالت معيوب قبل و بعد از حذف نوفه حالت معيوب شمع بعد از حذف نوفه شکل موج دادههاي ارتعاش براي دو حالت شمع وضعيت موتور با شمع سالم با شمع معيوب جدول 3: شرح مجموعة دادهها تعداد داده هاي آموزش 81 تعداد داده هاي آزمايش 5 5 81 شکل 7: شکل طيف دادههاي ارتعاش براي دو حالت شمع..15.1.5 6 8 1 1 1 16 18.1.1.8.6.. Healthy Faulty 6 8 1 1 1 16 18 Frequency (Hz) همان طور كه پيشتر ذكر شد شبکة عصبي با هفت ورودي و دو خروجي آموزش داده شد كه هر خروجي بيانگر وضعيت شمع موتور بود. بهمنظور بررسي صحت و عملکرد روش ارائه شده شبکة عصبي به كمک دادههاي آزمايش كه در فرآيند آموزش شبکه حضور نداشتند ارزيابي شد. شايان ذكر است كه اين ارزيابي با ارزيابيهاي دروني خود شبکة عصبي كه بهمنظور تشخيص زمان پايان آموزش و دقت آموزش است متفاوت ميباشد. تفاوت شايان توجه اين ارزيابي با ارزيابي دروني )ارزيابي آموزش( شبکه در اين است كه با اينکه ارزيابي دروني شبکه اطالعات مناسبي دربارة كيفيت شبکة آموزش ديده بدست ميدهد اما هدف در اين پژوهش تدوين ساختار و سامانهاي است كه قابليت تشخيص در شرايط مختلف و حتي آزمونهاي برخط را داشته باشد. به همين دليل به جاي انتخاب تصادفي دادههاي آزمون از ميان كل دادهها )كه روشي متداول است( دادههاي آزمايش از تکرارهاي دادهبرداري متفاوت بدست آمدهاند. استفاده از روش تصادفي باعث ميشود شبکه با شرايط تمامي تکرارها آشنا گرديده و با آن ها آموزش ببيند در صورتي كه بهدست آوردن دادههاي آزمايش از تکرارهاي متفاوت شبکه را در برابر مسئلهاي تازه قرار ميدهد و در واقع شرايط واقعي كاربرد را ايجاد ميكند. در صورت استفاده از اين روش ممکن است كمي دقتهاي بدست آمده كمتر از روش تصادفي باشد اما آنچه مهم است قابليت و دقت واقعي سامانه در مسائل طبقهبندي با دادههاي جديد است كه روش حاضر اين امر را تا حدود زيادي تحقق ميبخشد. - -.5 1 1.5.5 3 3.5.5 5 Time (s).. -. -..5 1 1.5.5 3 3.5.5 5 Time (s).1.1.8.6.. 1Xrpm Xrpm 6 8 1 1 1 16 18 Frequency (Hz) - Healthy -.5 1 1.5.5 3 3.5.5 5 - Faulty -.5 1 1.5.5 3 3.5.5 5 Time (s)

Mean Squared Error (mse) 87 1 1-1 - 1-6 1-8 شکل : به طور خالصه دادههاي آموزش دادههايي اند كه همراه با دسته- هايشان به شبکه اعمال ميگردند در حاليكه دادههاي آزمايش داده- هايي هستند كه پس از آموزش به شبکه اعمال ميگردند تا دستة اين دادهها را شناسايي كند. سپس دستههاي شناسايي شده به كمک شبکه با دستههاي واقعي دادهها مقايسه شده و مقدار دقت تشخيص بهدست مي آيد. معيار دقت تشخيص بدين صورت تعريف ميشود: - دقت عبارتند از تعداد تصميمهاي مثبت صحيح شبکه تقسيم بر تعداد كل تصميمهاي مثبت واقعي. نتايج تحليل نشان داد كه شبکة طراحي شده با 5 عصب درالية پنهان توانست تمامي دسته دادههاي آزمايش را بدرستي شناسايي كند بدين معنا كه دقت 11 درصد در تشخيص عيب شمع بهدست آمد. شکل نمودار عملکرد شبکه را نشان ميدهد. مالحظه ميشود كه بهترين -5 عملکرد اعتبارسنجي 1 8.856 در 8 مرحله است. در مجموع ميتوان ذكر كرد كه روش ارائه شده متشکل از روشهاي حذف نوفه استخراج ويژگي و شبکة عصبي ميتواند حالت سالم و معيوب شمع موتور را با حاشية اطمينان بسيار خوبي شناسايي كند. نمودار عملکرد شبکه در شناسايي عيب در شمع موتور 1-1 1-1 1-1 1-16 Train Validation Test Best 5 1 15 5 8 Epochs تشكر و قدرداني نويسندگان مقاله از شركت تحقيق طراحي و توليد موتور ايرانخودرو )ايپکو( بهدليل حمايت از اين تحقيق و فرآهم آوردن بستري براي پيشبرد اين پژوهش كمال تشکر و قدرداني را دارند. References [1] M. Behzad, K. Sepanlu, M. Asayesh, A. Rohani, Fundamentals of vibrations in the maintenance, repair and troubleshooting of rotating machinery, 8 [] J.F. Rafiee, A. Arvani, M. Harifi, H. Sadeghi, Intelligent condition monitoring of a gearbox using artificial neural network, Journal of Mechanical Systems and Signal Processing, Vol. 1, pp. 176-175, 7 [3] S. Javan, S.V. Hosseini, S.S. Alaviyoun, F. Ommi, Effect of electrode erosion on the required ignition voltage of spark plug in CNG spark ignition engine, The Journal of Engine Research, Vol. 6, pp. 31-3, 1 [] G. debotton, J. Ben-Ari, R. Itzhaki, E. Sher, Vibration Signature Analysis as a Fault Detection Method for SI Engines, SAE International, Paper No. 8115, 18 [5] J.B. Ari, G. debotten, R. Itzhaki, E. Sher, Fault detection in internal combustion engines by the vibrations analysis method, SAE International, Paper No. 1-13, 1 [6] Q. Huang, Y. Liu, H. Liu, L. Cao, A New vibration diagnosis method based on the neural network and wavelet analysis, SAE International, Paper No. 1-363, 3 [7] J.D. Wu, J.M. Kuo, An automotive generator fault diagnosis system using discrete wavelet transform and artificial neural network, Expert Systems with Applications, Vol. 36, pp. 776 783, ( نتيجه گيري در تحقيق حاضر روشي براي شناسايي عيب در شمع موتور بنزيني بر پاية دادههاي ارتعاش به كمک شبکة عصبي ارائه شد. نوفه دادههاي ارتعاش منتشره از موتور با استفاده از تبديل موجک و بهكارگيري موجک مير حذف شدند. در مرحلة استخراج ويژگي خصوصيات مختلف دادهها در حاالت سالم و معيوب اخذ شدند. اين خصوصيات در نمايان كردن عيب در دادهها تأثير چشمگيري داشتند. شبکة عصبي با ساختار سه اليه به كمک دادههاي آموزش و آزمايش تحت فرآيندهاي يادگيري اعتبارسنجي و آزمايش قرار گرفت. نتايج نشان دادند كه مقدار دقت 11 درصد در تشخيص عيب شمع موتور بهدست آمد. بنابراين روش ارائه شده قابليت خوبي در شناسايي اين نوع عيب شمع دارد. همچنين ميتوان ذكر كرد كه روش ارائه شده براي شناسايي عيوب ديگر شمع نيز ميتواند استفاده شود زيرا در آن شرايط تنها نوع عيب عوض ميشود. البته بسته به نوع عيب در نظر گرفته شده ممکن است نياز به تقويت اين روش باشد. در مجموع نتيجة بهدست آمده در اين تحقيق ناشي از بهكارگيري روشهاي مناسب و تركيب بهجاي آنها ميباشد. بعالوه تأثير روش تبديل موجک و خانوادة موجک مير در حذف نوفه از دادهها نيز تأييد ميشود. همچنين استفاده از روشهاي حذف نوفه استخراج ويژگيهاي آماري و شبکة عصبي براي عيبيابي موتور پيشنهاد ميشود. بعالوه ميتوان ذكر كرد كه رفتار ارتعاشي موتور متغير مناسبي براي اهداف عيبيابي است.

8 [13] J. Chen, R.B. Randall, B. Peeters, H. Van der Auweraer, W. Desmet, Automated misfire diagnosis in engines using torsional vibration and block rotation, Journal of Physics: Conference Series, Vol. 36, 1 [1] J. Han, H. Yamashita, N. Hayashi, Numerical study on the spark ignition characteristics of hydrogen air mixture using detailed chemical kinetics, International Journal of Hydrogen Energy, Vol. 36, pp. 86-7, 11 [15] S. Abbasion, A. Rafsanjani, A. Farshidianfar, N. Irani, Rolling element bearings multi-fault classification based wavelet denoising and support vector machine, Mechanical Systems and Signal Processing, Vol. 1, pp. 33 5, 7 [8] J.D. Wu, C.K. Huang, Y.W. Chang, Y.J. Shiao, Fault diagnosis for internal combustion engines using intake manifold pressure and artificial neural network, Expert Systems with Applications, Vol. 37, pp. -58, 1 [] E. Ebrahimi, K. Mollazadeh, Intelligent Fault Classification of a Tractor Starter Motor Using Vibration Monitoring and Adaptive Neuro-Fuzzy Inference System, Insight, Vol. 5, pp. 561-566, 1 [1] S.K. Yadav, P.K. Kalra, Automatic Fault Diagnosis of Internal Combustion Engine Based on Spectrogram and Artificial Neural Network, in Conference on Robotics, Control and Manufacturing Technology, Hangzhou, China, pp. 11-17, 1 [11] M.H. Wang, K.H. Chao, W.T. Sung, G.J. Huang, Using ENN-1 for fault recognition of automotive engine, Expert Systems with Applications, Vol. 37, pp. 3 7, 1 [1] C.M. Vong, P.K. Wong, Engine ignition signal diagnosis with Wavelet Packet Transform and Multiclass Least Squares Support Vector Machines, Expert Systems with Applications, Vol. 38, pp. 8563 857, 11

S.A. Moosavian et al., The Journal of Engine Research, Vol. 8 (autumn 1), pp. 1- The Journal of Engine Research Journal Homepage: www.engineresearch.ir Fault diagnosis in engine spark plug by vibration analysis using neural network S.A. Moosavian 1, G. Najafi *, B. Ghobadian 3, S.M. Jafari, B. Sakhaei 5, M. Khazaee 6 1 Tarbiat Modares University, Tehran, Iran, a.moosavian@modares.ac.ir Tarbiat Modares University, Tehran, Iran, g.najafi@modares.ac.ir 3 Tarbiat Modares University, Tehran, Iran, ghobadib@modares.ac.ir Irankhodro Powertrain Company (IPCO) and Sharif University of Technology, Tehran, Iran, sm_jafari@ip-co.com 5 Irankhodro Powertrain Company (IPCO) and Sharif University of Technology, Tehran, Iran, b_sakhaei@ip-co.com 6 Tarbiat Modares University, Tehran, Iran, m.khazaee@modares.ac.ir * Corresponding Author, Phone Number: +8-1-83 ARTICLE INFO Article history: Received: October 13 Accepted: 11 November 13 Keywords: Fault diagnosis Engine spark plug Vibration analysis Denoising Neural network ABSTRACT The spark plug condition is an effective parameter on the combustion quality of a spark ignition (SI) engine. If the condition of the spark plug becomes abnormal, pollutions and the efficiency of the engine will be affected. In the present paper, a procedure is proposed based on the vibration analysis for the spark plug fault detection. Vibration signals of the SI engine were collected by an accelerometer under two spark plug conditions, namely, normal and abnormal conditions. In order to remove noises from signals, the wavelet denoising technique was used. Then, the feature extraction method by statistical parameters was applied to obtain fault-indicating information. In this work, seven feature parameters were employed in the feature extraction stage, namely, maximum, mean, standard deviations, the variance, the skewness, Kurtosis and impulse factors. The neural network (NN) was trained with seven neurons in the input layer. After constructing the optimum structure, the performance of the network was tested. Results showed that a high level of the efficiency was gained in the spark plug fault detection. Therefore, it can be mentioned that the proposed approach could reliably be used for the fault identification in the engine spark plug. Iranian Society of Engine (ISE), all rights reserved.