Professional Documents
Culture Documents
مقاله آنالیز روغن لوکوموتیو
مقاله آنالیز روغن لوکوموتیو
چکیده
حمل و نقل ریلی با توجه به برتریهای آن نسبت به سایر روشهای حملونقل شامل ظرفیت باال ،صرفهجویی در
مصرف انرژی ،ایمنی و قابلیت اطمینان بیشتر ،از نقش مهمی در جامعه برخوردار است که لزوم توجه بیشتر به این
صنعت را ایجاب میکند .در پروسه آنالیز روغن زمان یکی از مهمترین پارامترها بوده و کوتاه کردن هرچه بیشتر آن
تاثیر بسزایی در کنترل وضعیت دستگاه خواهد داشت .پروسه آنالیز روغن از زمان نمونهگیری آغاز شده و تا زمان
آنالیز نتایج و تحلیل آن ادامه خواهد داشت .کاهش زمان الزم جهت تحلیل آنالیزها ،کمک شایانی به کاهش زمان
برنامه آنالیز روغن خواهد کرد .شبکههای عصبی مصنوعی به عنوان ابزاری توانمند در مدلسازی فرآیندهای غیرخطی
و نامعین ،قابلیت استفاده در این زمینه را دارند .در این مطالعه به منظور تحلیل وضعیت موتور دیزل لوکوموتیو
GT-26با استفاده ازآنالیز روغن ،از شبکه عصبی مصنوعی استفاده شد .استفاده از این روش موجب کاهش زمان
مورد نیاز ،افزایش دقت و کاهش نیروی انسانی مورد نیاز جهت تحلیل نتایج آنالیز روغن خواهد شد.
واژههای كلیدی :پايش وضعیت -آنالیز روغن -لوكوموتیو -GT26شبکه عصبي مصنوعي
مقدمه -1
تا سالیان متمادی اصل بر تعمیرات بعد از خرابی بوده است .اما نت پیشگیرانه پس از ظهور ،در ژاپنن بنه شندت در صننایع
مختلف از جمله صنعت ریلی جای خود را باز کرد .این فناوری نیاز به توقف تجهیز در بنازههنای زمنانی ثابنت دارد و در برخنی
موارد در زمان بهینه عملیات نت انجام نمیگیرد ،لذا فناوری جدیدی در کنار نت پیشگیرانه به عنوان ننت پیشنبینانه وارد علن
نگهداری و تعمیرات گردید .نت پیش بینانه مبتنی بر پایش وضعیت تجهیزات منی باشند ] .[1در دهنههنای اخینر مطالعنات و
اقدامات گستردهای در خصوص استفاده از ابزارهای پایش وضعیت در ناوگان ریلی انجام شده است .از جمله کارهای انجام شنده
در این حوزه میتوان به ارزیابی فناوری پایش وضعیت در نت مبتنی بنر وضنعیت ناوگنان ریلنی توسن رابنرت الگنبنک [ ]2و
بررسی کارآیی و دقت سامانههای پایش وضعیت کنار ریل در ناوگان ریلی ،توس دکتر رضوانی و همکاران [ ]3اشناره کنرد .بنا
توجه به سامانههای مختلف ریلی در حال بهرهبرداری در کشور و استقرار نت پیشگیرانه در این سامانهها طی این سنالهنا ،الزم
است تا با توجه به شرای موجود و تحلیلهای صورت گرفته ،جهت صرفهجویی در هزینههنای بهنرهبنرداری ،افنزایش قابلینت
اطمینان و قابلیت دسترسی ناوگان که از شاخصهای اصلی بهرهبرداری هستند ،سامانه نگهداری و تعمیرات ارتقا یابد .بنا توجنه
به اینکه ناوگان ریلی از اجزا و زیر تجهیزات مختلفی تشکیل شده و به طور مستقی با سنممت مسنافرین و پرسننل در ارتبنا
است ،کنترل عملکرد هر یک از این زیر تجهیزات از اهمیت زیادی برخوردار است و از آنجا که ناوگان عمومنا در طنول خن در
حرکت است و باید زمان توقف برای عملیات نگهداری و تعمیرات حداقل شود و شاخص آمناده بنه کنار بنودن حنداکثر گنردد،
میبایست ابزار مناسبی را برای کنترل و پایش وضعیت آن مهیا نمود .لذا در این پژوهش عموه بر معرفی پایش وضعیت به روش
آنالیز روغن ،به مزایای استفاده شبکه عصبی مصنوعی در این روش نیز پرداخته خواهد شد .روغن سیست های مکانیکی بهدلیل
اینکه پیوسته در حال گردش و تماس با قطعات مختلف داخلی سامانه هستند ،حاوی اطمعات وسیعی در مورد فعل و انفعناالت
درونی سیست میباشد .این اطمعات از طریق آزمایشهای مختلفی روی نمونه روغن انجام منیشنود ،قابنل استحصنال اسنت.
پردازش این اطمعات نیازمند زمان و نیروی انسانی میباشد .استفاده از شبکه های عصبی مصنوعی در تحلیل نتایج آزمایشهنا
موجب کاهش زمان پروسه آنالیز روغن و همچنین حذف نیروی انسانی الزم ،خواهد شد.
تاريخچه آنالیز روغن ماشین آالت ريلي راه آهن ايران: 1-2
آنالیز روغن ماشینآالت ریلی راهآهن ایران از دهه 70شمسی آغاز شده است .نمونهگیری از ماشینآالت بهصورت منظ و در
فواصل زمانی مشخص انجام شده و آزمایشهای الزم روی آن انجام میشود .نتایج بهدست آمده در نرمافزار ثبت شده و برای
با انجام آزمایشهای مختلف جهت بررسی وضعیت کیفی روغن و همچنین بررسی روند فرسایشی دستگاه ،نتایج خامی ایجاد
خواهد شد که نیازمند تحلیل ،بررسی و دریافت نتایج الزم از مجموع آزمایشهای انجام شده میباشد .روشهای مختلفی جهت
تحلیل این نتایج وجود دارد .ایجاد شاخصهای کلی وضعیت ،مشکلترین روش تحلیل نتایج روغن است که از طریق محدوده-
های مبتنی بر آمار برای هر نوع ماشین خاص محاسبه خواهد شد .پس از ایجاد محدودهها ،روشهای کلی تحلیل میتواند بکار
برده شود .در این روش نتایج آزمایشهای مختلف به عبارتهای نمادین تبدیل میشوند .با بررسی این نمادها وضعیت کلی
دستگاه حاصل میشود .اگر کاربر درحال برنامهریزی برای استفاده از یک سیست هوشمند برای تحلیل نتایج آنالیز روغن باشد،
ترکیبی از کدهای عددی و نمادهای وضعیت احتماال بهترین گزینه میباشد .عبارتهایی مانند :عادی ،مرزی ،نیاز به بررسی،
رسیدگی سریع و . ..ترکیب این نمادها با اعداد میتواند کمک شایانی به هوشمندسازی تحلیل نماید ].[7
تحلیل طیف سنجی یک روش مورد استفاده در برنامههای تحلیل ذرات فرسایشی است و در درجه اول برای بررسی روند تجمع
عناصر فرسایشی و عناصر افزودنی و برای شناخت آالیندهها کاربرد دارد .نتایج حاصل از تجزیه و تحلیل یک تحلیل طیف-
سنجی به طور معمول به صورت قسمت در میلیون گزارش میشود .تحلیل طیفسنجی نظارت بر ذرات ریز موجود در روغن را
فراه میکند و ذرات فرسایشی فلزی بزرگ (معموال باالی 5میکرون) تشخیص داده نمیشوند .
نتایج قبلی نمونه هایی را که گرفته شده از همان دستگاه برای بدست آوردن روند سایش مقایسه میکند .در زیر فهرستی از
عناصری است که میتوانند با استفاده از تحلیل طیفسنجی یافت شوند آورده شده است.
پیستونها ،یاتاقانها ،توربوشارژها ،پرههای پمپ ،واشرها و یاتاقانهای محوری ،بلوکها ،پوشش پمپ روغنها، آلومینیوم
پروانهها ،روتورها
رینگها ،یاتاقانهای غلتکی مخروطی ،بوشها ،دریچههای اگزوز ،خنککنندهها ،میلهها ،قرقرهها ،چرخدندهها، کروم
یاتاقانها ،شاتونها ،بوشها ،خنککنندههای روغن ،مواد افزودنی روغن ،مچ-پین بوشها ،بوشهای بادامک، مس
سیلندرها ،میللنگ ،دریچه قطار ،رینگهای پیستون ،کمچ ها ،پیستونها ،رینگها ،چرخدنده ،یاتاقانها ،بوشها، آهن
صفحهها ،بلوکها ،میلبادامک ،پمپها ،تغییر مکان قرقرهها ،لوله ها و اجزای چرخشی سامانه روغن
آلیاژها ،آبکاری چرخدنده ،باندهای حلقهای و راهنمای شیرها ،یاتاقانهای ضد سایش نیکل
با این حال هر روانکننده شامل مواد افزودنی است .در زیر برخی از عناصر که در داخل مواد افزودنی موجود است ،آورده
شده است.
بهطور کلی دالیل مشاهده فرسایش در موتور را میتوان به پنج دسته تقسی نمود:
البته ممکن است علل فرسایشی ترکیبی از دو یا چند مورد باال باشد.
است مقادیر ه ر پارامتر را مورد سنجش قرار میدهند .به عنوان مثال اگر مقدار عنصر سیلیسی باالتر از ppm 15باشد،
کارشناسان تحلیل احتمال ورود گرد و خاک به داخل سیست را هشدار میدهد .در شکل 1-2نتایج آنالیز روغن موتور یک
دستگاه لوکوموتیو GT-26که تحت پایش قرار دارد آورده شده است .همانطور که از نتایج مشخص است در دو نمونه پایانی
نفوذ آلودگی خارجی سیلیسی (گرد و خاک) باعث افزایش شدید روند فرسایشی موتور شده و در نمونه پایانی به احتمال قوی
سرریز روغن اشتباهی با گرانروی متفاوت باعث افت گرانروی شده است .کاربر میتواند با مشاهده این نتایج اقدامات الزم نظیر
روشهای مختلفی برای تحلیل نتایج آنالیز روغن وجود دارد که در این پژوهش از ابزار شبکه عصبی مصنوعی استفاده شده
است.
نرون تشکیل شده است و هر یک از این نرونها با نرونهای دیگر ارتبا دارند ،البته ارتبا بین این نرونها وزندار میباشد.
این وزنها به عنوان پارامترهای مه در آموزش شبکه عصبی مطرح میشوند .ساختار شبکه عصبی از یک الیهی ورودی ،یک
یا چند الیهی پنهان و یک الیهی خروجی تشکیل شده است .تعداد الیهی پنهان به پیچیدگی شبکه بستگی دارد .تعداد الیه-
های پنهان شبکه عصبی با استفاده از روش سعی و خطا انتخاب میشوند تا ک ترین میزان خطا بین خروجی شبکه عصبی و
خروجی ایدهآل حاصل شود .آموزش شبکه عصبی از طریق وارد نمودن مجموعهای از دادههای ورودی و دادههای خروجی ایده-
افزایش کارآمدی بیشتر و کاهش خطای شبکه عصبی مصنوعی نرمال کردن دادهها امری اجتنابناپذیر میباشد .عناصر
فرسایشی شناسایی شده در روغن ،هریک دارای یک ارزش ذاتی تحلیلی میباشند .این بدین معنی است که هر پارامتری دارای
حد نرمال خاص خود میباشد .مرز هریک از این پارامترها به عنوان 100درصد در نظر گرفته شده و دادهها به این طریق
نرمال شدهاند .به عنوان مثال عدد ppm 40مرز هشدار آهن موجود در روغن بوده که این عدد به عنوان 100درصد در نظر
گرفته شده و اعداد کمتر و بیشتر نسبت به آن نرمال شده اند .مابقی اعداد نیز با توجه به حدود هشدار در نظر گرفته شده
نرمال شدند.
3-2دادههای ورودی
دادههای ورودی شامل مقادیر عناصر فرسایشی ،آلودگیهای موجود در روغن و دادههای مربو به کیفیت روغن میباشند.
آهن ،کروم ،سرب ،مس ،آلومینیوم ،سیلیسی ،سدی ،منیزی و روی عناصر در نظر گرفته شده میباشند ،PQ .مقدار آهن آزاد
در روغن ،VIS40 ،ویسکوزیته روغن در دمای 40درجه سانتیگراد و ،Crackleتست سنجش وجود و یا عدم وجود آب در
روغن میباشد.
3-3دادههای خروجي
دادههای خروجی شامل وضعیت کلی دستگاه میباشد که هر عدد نشانگر یک وضعیت خاص میباشد .این وضعیتها در جدول
1-2آورده شده است.
دادههای مورد استفاده قرار گرفته در پژوهش ،مربو به نتایج تستهای سالهای 98و 99که در شرکت البرزتدبیرکاران انجام
شده است میباشد .تعداد دادههای استفاده شده 3500نمونه میباشد .برای این نمونههای تستهای روتین آنالیز عنصری،
3-4آموزش شبکه
بهمنظور آموزش شبکه و اصمح وزنها تا رسیدن به یک خطای معنادار ،روشهای بسیار زیادی وجود دارد که یکی از
روملهارت و ککلیمند پیشنهاد مشهورترین این روشها ،الگوریت پس انتشار خطا 1است .این الگوریت در سال 1986توس
گردید ،در شبکههای عصبی پیشسو 2مورد استفاده قرار میگیرد .پیشسو بودن به این معناست که نرونهای مصنوعی در الیه-
های متوالی قرار گرفتهاند و خروجی سیگنال خود را رو به جلو میفرستند .واژه پسانتشار نیز به معنای این است که خطاها به
سمت عقب در شبکه تغذیه میشوند تا وزنها را اصمح کنند و پس از آن ،مجددا ورودی مسیر پیش سوی خود تا خروجی را
تکرار کند .روش پس انتشار خطا از روشهای باسرپرست است؛ به این مفهوم که نمونههای ورودی برچسب خوردهاند و خروجی
مورد انتظار هر یک از آنها از پیش دانسته است .لذا خروجی شبکه با این خروجیهای ایدهآل مقایسه شده و خطای شبکه
محاسبه میگردد .در این الگوریت ابتدا فرض بر این است که وزنهای شبکه به طور تصادفی انتخاب شدهاند .در هر گام،
خروجی شبکه محاسبه شده و بر حسب میزان اختمف آن با خروجی مطلوب ،وزنها تصحیح میگردند تا در نهایت خطای کل
()1
1
Back Propagation
2
Feed-Forward
برای کمینه کردن خطای شبکه در روش پس انتشار خطا بسیار مه است .همچنین گرادیان نزولی با نزدیک شدن به مینیم
شروع به کند شدن میکند .با استفاده از روش لونبرگ -مارکوارت ،سرعت همگرایی شبکه افزایش پیدا میکند .در این روش
تنها یک مسیر مورد آزمایش قرار نمیگیرد ،بلکه چندین مسیر در کنار ه امتحان میشوند و سریعترین مسیر انتخاب می-
شود .ضمن اینکه در این روش نرخ آموزش ثابت نیست و در هر مرحله بهینه میشود .الگوریتمی که برای بهروزرسانی وزنها
( )2
مقدار ثابت مثبت و Jماتریس ژاکوبین است که بدین طریق محاسبه می- که در این رابطه بردار خطا ،ماتریس همانی،
گردد :
()3
)0
روش لونبرگ -مارکوارت سریعترین روش بهمنظور آموزش شبکه عصبی پیشرو با تعداد دادههای متوس محسوب میگردد.
نرخ همگرایی و پیچیدگی شبکه به تابع انتقال وابسته است .از جمله معروفترین این توابع ،تابع سیگموید 1است که به شکل
()4
1
Sigmoid
عصبی انجام شد .تابع خطای شبکه به صورت میانگین مربع خطا 1تعریف شد .معیار انتخاب ساختار مناسب شبکه عصبی،
ساختار شبکه
حداقل تعداد نرونها در الیه پنهان میتواند برابر یا بیشتر از تعداد ورودیهای شبکه باشد .با این حال تعداد مطلوب نرونها به
طور کلی با روش آزمون و خطا به دست میآید .رابطه تجربی بین تعداد نمونههای آموزشی و اندازه شبکه برای تعیین حد باال
برای الیههای پنهان در معادله 5ارائه شده است ]:[6
()5
که در این رابطه NHتعداد نرونهای الیههای پنهان NI ،تعداد ورودیها به شبکه و NTrتعداد نمونههای آموزشی است.
()6
با روش سعی و خطا و بر اساس حداقل مربع خطا و بیشترین ضریب همبستگی ،ساختار 12-35-1به عنوان مناسبترین
ساختار شبکه بهدست آمد .این ساختار در شکل 1نشان داده شده است .مطابق همین شکل تابع فعالسازی در الیه پنهان
Tansigو در الیه خروجی Purelinمیباشد .لونبرک-مارکوات بهعنوان تابع آموزش شبکه استفاده شد Trainlm .تابع
آموزشی مورد استفاده است که مقادیر وزنها و بایاسها را بر اساس بهینهسازی الگوریت لونبرک-مارکوات بهروزرسانی می-
کند.
2
Mean Square Error
3-7آزمايش مدل
پس از پایان مدلسازی و تشکیل مدل مناسب ،جهت بررسی کارآمدی ،مدل تحت آزمایش قرار گرفت .نتایج بهدست آمده از 8
همانطورکه از جدول 2-2بر میآید در محدوده خطایی قابل قبول قرار داشته و با استفاده از روش گرد کردن روبه باال و پایین
با در نظر گرفتن عدد مرز 5میتوان خطاها را به حداقل ممکن رساند.
در این مطالعه موتور دیزل لوکوموتیو GT-26معرفی شده و در خصوص پایش وضعیت به روش آنالیز روغن و همچنین نحوه تحلیل نتایج
آنالیز روغن بحث شد .با استفاده از این روش پایشی میتوان با استفاده از تفسیر مناسب از خرابیهای زودهنگام موتور جلوگیری کرده و
پیش از خرابی دستگاه اقدامات الزم را در دستورکار قرار داد .همچنین با این روش میتوان کیفیت روغن مصرفی را مورد سنجش قرار داد
و احتمال نفوذ آلودگیها به روغن را ارزیابی نمود .یکی از دالیل آزمایش روانکارها این است که گاهی اوقات تغییراتی در روغن پدیدار می-
شود که میتوان احتمال وجود عیب در دستگاه را تشخیص داد و با تفسیر صحیح این نتایج عیوب جزئی را بر طرف نمود و از خرابیهای
بزرگتر جلوگیری نمود .روشهای مختلفی برای انجام تحلیل وجود دارد که در این پژوهش از ابزار شبکه عصبی مصنوعی استفاده شده
است .شبکه عصبی مصنوعی به منظور تحلیل وضعیت موتور دیزل لوکوموتیو GT-26با روش آنالیز روغن ،استفاده شد .اجرای
ساختارهای مختلف شبکه عصبی مصنوعی با تعداد نرونهای مختلف در الیه میانی نشان داد ،آرایش 12-35-1با مقادیر مجذور میانگین
مربعات خطای نرمال 0.04و ضریب همبستگی 0.85به عنوان آرایش مطلوب قابل پیشنهاد است .استفاده از شبکه های عصبی مصنوعی
کمک شایانی به افزایش سرعت پروسه آنالیز روغن و پایش وضعیت دستگاه کرده و باعث صرفه جویی در نیروی انسانی خواهد شد.
همچنین به دلیل خطای نرمال پایین ،مدل دارای دقت باالیی بوده و موجب کاهش خطاهای محتمل در هنگام تحلیل خواهد شد.
انجمن مهندسی حمل و نقل ریلی ایران، تهران، شانزدهمین همایش بین المللی حمل و نقل ریلی،PdM پیشبینانه
[2] Robert Lagnebäck, “Evaluation of wayside condition monitoring technologies for condition-
based.maintenance of railway vehicles” ,Luleå University of Technology, ISSN:1402-1757
پنجمین کنفرانس،" " بررسی کارایی و دقت سامانه های نوین پایش وضعیت کنار ریل در ناوگان ریلی، محسن محمدی،] محمدعلی رضوانی3[
[4] E.S. Elmolla, M. Chaudhuri, M.M. Eltoukhy, The use of artificial neural network (ANN) for modeling of
COD removal from antibiotic aqueous solution by the Fenton process, Journal of Hazardous Materials, 179
(2010) 127-134.
[5] A.R. Pendashteh, A. Fakhru’l-Razi, N. Chaibakhsh, L.C. Abdullah, S.S. Madaeni, Z.Z. Abidin, Modeling of
membrane bioreactor treating hypersaline oily wastewater by artificial neural network, Journal of Hazardous
Materials, 192 (2011) 568-575
[6] Rene, Eldon R., et al. "Neural network models for biological waste-gas treatment systems." New
Biotechnology 29.1 (2011) 56-73.