เทคนิคการวินิจฉัยการสั่นสะเทือนของเครื่องจักรแบบหมุน
คำสำคัญ:
การวินิจฉัย, สัญญาณการสั่นสะเทือน, การเรียนรู้ของเครื่อง, เครื่องจักรแบบหมุน, อัลกอริทึมบทคัดย่อ
บทความนี้มีจุดมุ่งหมายเพื่อนำเสนอเทคนิคการวินิจฉัยแบบดั้งเดิมและเทคโนโลยีการวินิจฉัยที่เกิดขึ้นใหม่ ในการวินิจฉัยการสั่นสะเทือนของเครื่องจักรแบบหมุน จากสาเหตุ การไม่สมดุล ข้อบกพร่องของแบริ่ง แบบลูกปืน การเยื้องแนวแกนและการเยื้องศูนย์ สาหรับเทคนิคการวินิจฉัยแบบดั้งเดิมมีอยู่หลากหลายวิธี เช่น การวินิจฉัยจากกราฟสัญญาณการสั่นสะเทือนแบบโดเมนเวลา การวินิจฉัยด้วยกราฟสัญญาณแบบความถี่ การวินิจฉัยจากการสังเกตชิ้นส่วนที่สึกหรอ เป็นต้น และเทคโนโลยีการวินิจฉัยที่เกิดขึ้นใหม่ในช่วงทศวรรษที่ผ่านมาคือ การเรียนรู้ของเครื่อง โดยจะมีการทบทวนอย่างครอบคลุมเกี่ยวกับการใช้งานล่าสุดของอัลกอริธึมของการเรียนรู้ของเครื่อง ที่ใช้สาหรับการวินิจฉัยสาเหตุการสั่นสะเทือนในเครื่องจักรแบบหมุน ซึ่งในปัจจุบันการวินิจฉัยจากการเรียนรู้ของเครื่อง มีความเป็นไปได้มากขึ้นและใช้กันอย่างแพร่หลายในการหาสาเหตุของการสั่นสะเทือน ด้วยการที่มีประสิทธิภาพที่สูงและมีความแม่นยาในการวินิจฉัย และในบทความยังมีการอธิบายเกี่ยวกับความเป็นมาของการเปลี่ยนผ่านจากวิธีการแบบเดิมเป็นวิธีการเรียนรู้ของเครื่อง
References
ANALYSIS SOFYWARE FOR ROTATING MACHINES. Retrieved 10 August 2021 from
http://cuir.car.chula.ac.th/bitstream/123456789/1268/3/Jutiroj.pdf
Lokesha, M., Kumar, S., & Kiran, K. MV. (2021).
Machine Learning and Wavelet Analysis for Diagnosis & Classification of Faults in Gears, Manufacturing Engineering, vol.19. https://94.176.104.80/PDF_AJME_2021_2/L8.pdf
Muhlisin, L., Agung, F., & Efendi, R. (2021).
Development of vibration monitoring system for rotating machine models using fast fourier transform, Sains Dan Teknologi, 2021, vol. 17, no. 01, pp.35–42.
doi: 10.36055/tjst.v17i1.9763
Peng, Z., & Kessissoglou, N. (2003). An integrated
approach to fault diagnosis of machinery using wear debris and vibration analysis, Wear 255, 1221–1232.
doi: 10.1016/S0043-1648(03)00098-X
Pinheiro, A. A., Brandao, M. L., & Costa, C. D.
(2019). Vibration Analysis of Rotary Machines Using Machine Learning Techniques, Engineering Research and Science, Vol. 4, No. 2.
doi: 10.24018/ejers.2019.4.2.1128
Ponci, L. P., Creci, G., & Menezes, C. J. (2021).
Simplified procedure for vibration analysis and dynamic balancing in mechanical systems with beats frequency, Measurement, vol. 174.
doi: 10.1016/j.measurement.2021.109056
Provezza, L., Bodini, I., Petrogalli, C., Lancini, M.,
Solazzi, L., & Faccoli, M. (2021). Monitoring the Damage Evolution in Rolling Contact Fatigue Tests Using Machine Learning and Vibrations, Metals, vol.11, pp.283.
doi: 10.3390/met11020283
Rirkvaleekul, P. (2021). Necessities Machine
Learning , Retrieved 10 August 2021 from
https://www.twinsynergy.co.th/สิ่งจำเป็นที่สาย-machine-learning-ต้อง/
Sivadee. (2018). MACHINE LEARNING–Definition and
usage examples, Retrieved 10 August 2021 from https://www.toolmakers.co/machine-learning
Yongying, N. (2019). A Deep Learning Approach on
Road Detection from Unmanned Aerial Vehicle-Based Images in Rural Road Monitoring. Retrieved 10 August 2021 from http://www.agi.nu.ac.th/nred/Document/is-PDF/2562/geo_2562_05_FullPaper.pdf
Zarei, J., Tajeddini, M. A., & Hamid, R. K. (2014).
Vibration analysis for bearing fault detection and classification using an intelligent filter, Mechatronics, Volume 24, Issue 2, pp. 151-157.
doi: 10.1016/j.mechatronics.2014.01.003
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2022 สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการขอสงวนสิทธิ์ในการปรับปรุงแก้ไขตัวอักษรและค่าสะกดต่าง ๆ ที่ไม่ถูกต้อง และต้นฉบับที่ได้รับการตีพิมพ์ในวารสารเทคโนโลยีและนวัตกรรม ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา และผลการพิจารณาคัดเลือกบทความตีพิมพ์ในวารสารให้ถือเป็นมติของกองบรรณาธิการเป็นที่สิ้นสุด