تشخیص ساییدگی با استفاده از تجزیه و تحلیل انتشار آکوستیک مبتنی بر موجک

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص ساییدگی با استفاده از تجزیه و تحلیل انتشار آکوستیک مبتنی بر موجک

عنوان لاتین

Wear detection by means of wavelet-based acoustic emission analysis

تشخیص ساییدگی و نظارت در حین عملیات پیچیده و وظایف دشواری هستند به خصوص برای مواد تحت شرایط لغزان. به دلیل تماس دائمی و حرکت تکراری، سطح ماده در حین تست برای بازرسی بهینه دور از دسترس می مانند بنابراین همسایش شریک های تماس نمی تواند به سادگی تشخیص داده شود. این مقاله مولفه های علمی مربوط به شرایط قابل اطمینان و موثری معرفی می کند که سیستم را برای تشخیص آنلاین و طبقه بندی خودکار پدیده ساییدگی با استفاده از انتشار آکوستیک (AE) و روش های پیشرفته پردازش سیگنال نظارت می کند. آزمایش های مرتبطی با استفاده از سیستم سایش شناسی دارای دو صفحه ی مارتنزیتی، که مخالف هم می لغزند انجام شدند. مبدل پیزوالکتریک بسیار حساس استفاده شد تا به طور پیوسته سیگنال های AE را تخمین بزند. سیگنال های AE ثبت شده در اصل با تجزیه و تحلیل فرکانس-زمان تجزیه و تحلیل شدند. یک ماژول استخراج ویژگی با استفاده از ترکیب جدید تبدیل فوریه ی کوتاه مدت (STFT) و تبدیل موجک پیوسته (CWT) برای اولین بار استفاده شدند. یک تجزیه و تحلیل دقیق همبستگی بین خصوصیات سیگنال پیچیده و آسیب سطح ناشی از فرسودگی تماس بررسی شد. سه مرحله فرایند سادگی تشخیص داده شدند و توانستند متمایز شوند. برای به دست آوردن اطلاعات عددی و دقیق در مورد فازهای مختلف ساییدگی، انرژی AE با استفاده از STFT محاسبه شد و تعداد مناسبی از سطوح فرکانس تجزیه شدند. توزیع منحصر به فرد انرژی و انرژی AE اضافی هر مولفه ی فرکانس با استفاده از CWT تجزیه و تحلیل شدند. نتایج نشان می دهند که وقتی حالت سایش تغییر می-کند رفتار هر مولفه ی انرژی تغییر می کند. در اینجا، طیف های خاص فرکانس به حالت های مختلف ساییدگی نسبت داده می شوند. بررسی نشان می دهد که کاربرد تجزیه و تحلیل AE مبتنی بر STFT/CWT یک روش مناسب برای تمایز و تفسیر حالت های مختلق آسیب رخ داده در حین تماس لغزشی است. براساس اسن نتایج نسل جدیدی از سیستم های نظارت بر شرایط می تواند ساخته شود، که قادر به ارزیابی خودکار شرایط سطح مولفه های ماشین با سطوح لغزنده است.

Wear detection and monitoring during operation are complex and difficult tasks especially for materials under sliding conditions. Due to the permanent contact and repetitive motion, the material surface remains during tests non-accessible for optical inspection so that attrition of the contact partners cannot be easily detected. This paper introduces the relevant scientific components of reliable and efficient condition monitor-ing system for online detection and automated classification of wear phenomena by means of acoustic emission (AE) and advanced signal processing approaches. The related experiments were performed using a tribological system consisting of two martensitic plates, sliding against each other. High sensitive piezoelectric transducer was used to provide the continuous measurement of AE signals. The recorded AE signals were analyzed mainly by time-frequency analysis. A feature extraction module using a novel combination of Short-Time Fourier Transform (STFT) and Continuous Wavelet Transform (CWT) were used for the first time. A detailed correlation analysis between complex signal characteristics and the surface damage resulting from contact fatigue was investigated. Three wear process stages were detected and could be distinguished. To obtain quantitative and detailed information about different wear phases, the AE energy was calculated using STFT and decomposed into a suitable number of frequency levels. The individual energy distribution and the cumulative AE energy of each frequency compo-nents were analyzed using CWT. Results show that the behavior of individual frequency component changes when the wear state changes. Here, specific frequency ranges are attributed to the different wear states. The study reveals that the application of the STFT-/CWT-based AE analysis is an appropriate approach to distinguish and to interpret the different damage states occurred during sliding contact.