‫پانزدهمین كنفرانس تخصصي پايش وضعیت و عیبيابي ماشینآالت‬

‫ايران‪ ،‬تهران‪ ،‬دانشگاه صنعتي شريف‪ ،‬اسفند‪1400‬‬

‫تحلیل وضعیت موتور ديزل لوكوموتیو ‪ GT-26‬با آنالیز روغن به كمک‬

‫شبکه عصبي مصنوعي‬

‫بوجاری‪3‬‬ ‫علیرضا مسعودی‪ ،1‬رضا ساريخاني‪ ،2‬محمدامین‬

‫شركت البرزتدبیركاران‬
‫*‪atk@alborztadbir.com‬‬

‫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.‬‬

‫معرفي موتور و اجزاء لوكوموتیو ‪GT-26‬‬ ‫‪1-1‬‬

‫این لوکوموتیو از نوع دیزل الکتریک میباشد که از سال ‪ 1350‬در ناوگان حمل و نقل ریلی ایران وارد شده و از نوع شش‬
‫محوره بوده و به لکووموتیوهای سنگین مشهور هستند‪ .‬این نوع لوکوموتیوها در مدلهای مختلف از نوع تک کابین در راهآهن‬
‫ایران مورد استفاده قرار میگیرد و دارای موتور دیزل ‪ 16‬سیلندر ‪V‬شکل (خورجینی) دو زمانه توربوشارژدار است که اگزوز آن‬
‫در باالی موتور امتداد یافته و پس از اتصال به توربین‪ ،‬به بیرون تخلیه میشود‪ .‬این موتور با آب خنک می شود و به سه سیست‬
‫روغنکاری مجزا مجهز است‪ .‬در عقب موتور میل لنگ به یک مجموعه ژنراتور که شامل دو ژنراتور اصلی و همراه است کوپل‬
‫شده و آنان را به گردش در میآورد‪ .‬برق تولیدی ژنراتور اصلی که از نوع متناوب با ولتاژ و جریان باال پیشبینی شده و توس‬
‫یک سری یکسوکننده بصورت مستقی درآمده و در شش دستگاه تراکشن موتور که بروی دو دستگاه بوژی نصب گردیدهاند‬
‫مصرف میگردد‪ .‬ژنراتور همراه برق متناوب تولید میکند و عموه بر اینکه موجب گردش سه دستگاه الکتروموتور‪ ،‬پروانه خنک‬
‫کننده رادیاتور و موتور مکنده (تصفیه) اتاق تمیز میشود‪ .‬بخشی از آن پس از یکسو شدن وظیفه تحریک میدان ژنراتور اصلی‬
‫را بهعهده دارد‪ .‬میللنگ از قسمت جلوی موتور از طریق کوپلینگ به یک دستگاه کمپرسور ‪ 3‬سیلندر دومرحلهای متصل بوده‬

‫اسفند‪CMFD 2022, 1400‬‬

‫و با به گردش در آوردن آن هوای فشرده مورد نیاز لوکوموتیو و قطار را تامین مینماید‪ .‬آب خنک کننده موتور توس ‪ 6‬دستگاه‬
‫رادیاتور که بصورت سری و موازی در باال و انتهای لوکوموتیو نصب شده‪ ،‬بوسیله سه دستگاه پروانه الکتریکی خنک میگردد‪.‬‬
‫فضای بین موتورخانه و کابین خودکارهای برقی به اتاق تمیز موسوم است‪ .‬در طرفین این اتاق صافی های فلزی که با‬
‫مشخصات خاصی نصب شده که وظیفه گرفتن ذرات درشت و گرد و غبار موجود در هوای ورودی را به کمک پمپ مکنده اتاق‬
‫تمیز بعهده دارد‪ .‬مخزن سوخت مصرفی موتور در زیر شاسی پیشبینی شده که با استفاده از یک دستگاه پمپ برقی وظیفه‬
‫انتقال سوخت را از مخزن به مدار مربوطه بهعهده دارد‪ .‬تعداد هشت دستگاه باطری از نوع اسیدی و یا پتاسی‪ ،‬در دو طرف‬
‫زیرشاسی در جعبه مخصوص نصب شده است‪ .‬این باطری ها وظیفه ذخیره سازی برق ‪ 64‬ولتی مورد نیاز مدار استارت و بکار‬
‫انداختن پمپ کمکی روغن توربوشارژ و پمپ سوخت و ‪ ...‬را قبل از روشن شدن موتور بهعهده دارد‪ .‬دو دستگاه موتور‬
‫استارت ‪ DC‬بهصورت سری در سمت راست موتور با دنده فمیویل درگیر و وظیفه روشن کردن موتور را بهعهده دارد‪.‬‬

‫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

‫تحلیل آماده میشود‪.‬‬

‫‪ -2‬تحلیل نتايج آنالیز روغن‬

‫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.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫جدول ‪ :1–2‬عناصر فرسايشي‬

‫منشا احتمالی‬ ‫عنصر فرسایشی‬

‫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

‫شافتها‪ ،‬یاتاقانهای ضد اصطکاک‬

‫یاتاقانها‪ ،‬شاتونها‪ ،‬بوشها‪ ،‬خنککنندههای روغن‪ ،‬مواد افزودنی روغن‪ ،‬مچ‪-‬پین بوشها‪ ،‬بوشهای بادامک‪،‬‬ ‫مس‬

‫گاورنرها‪ ،‬پمپ روغنها‬

‫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

‫یاتاقانها‪ ،‬مواد افزودنی بنزین‪ ،‬مواد افزودنی در روغن‬ ‫سرب‬

‫پاککنندههای روغن‪ ،‬ذخایر قلیایی روغن‬ ‫منیزی‬

‫افزودنیهای روغن‪ ،‬اصمحکننده اصطکاک‬ ‫مولیبدن‬

‫آلیاژها‪ ،‬آبکاری چرخدنده‪ ،‬باندهای حلقهای و راهنمای شیرها‪ ،‬یاتاقانهای ضد سایش‬ ‫نیکل‬

‫یاتاقان های توربوشارژ‬ ‫نقره‬

‫یاتاقانها‪ ،‬آبکاری پیستون‪ ،‬آلیاژ برنز (مس‪/‬قلع)‪ ،‬بوشها‬ ‫قلع‬

‫خاک‪ ،‬شن و ماسه‪ ،‬افزودنی ضدکف روغن‪ ،‬افزودنی ضد یخ‬ ‫سیلیسی‬

‫افزودنی روغن ضدسایش‪ ،‬قطعات گالوانیزه در سامانه گردشی روغن‬ ‫روی‬

‫با این حال هر روانکننده شامل مواد افزودنی است‪ .‬در زیر برخی از عناصر که در داخل مواد افزودنی موجود است‪ ،‬آورده‬

‫شده است‪.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫جدول ‪ :2–2‬افزودني های روغن‬

‫خاصیت‬ ‫عنصر افزودنی‬

‫افزودنی پاک کننده و زداینده‬ ‫باری‬

‫افزودنی تحمل فشار‬ ‫بور‬

‫افزودنی پاک کننده و زداینده‬ ‫کلسی‬

‫افزودنی ضد فرسایش‬ ‫مس‬

‫افزودنی ضد فرسایش‬ ‫سرب‬

‫افزودنی پاک کننده و زداینده‬ ‫منیزی‬

‫اصمح کننده اصطکاک‬ ‫مولیبدن‬

‫بازدارنده خوردگی ‪ ،‬افزودنی ضد فرسایش‬ ‫فسفر‬

‫افزودنی ضد کف‬ ‫سیلیکون‬

‫افزودنی پاک کننده و زداینده‬ ‫سدی‬

‫افزودنی ضد فرسایش و ضد زنگارش‬ ‫روی‬

‫بهطور کلی دالیل مشاهده فرسایش در موتور را میتوان به پنج دسته تقسی نمود‪:‬‬

‫الف‪ -‬وجود آلودگی داخلی یا خارجی‬

‫ب‪ -‬استفاده از روغن نامرغوب‬

‫ج‪ -‬عیب مکانیکی‬

‫چ‪ -‬استفاده از قطعات نامرغوب‬

‫خ‪ -‬استفاده نامناسب از تجهیز‬

‫البته ممکن است علل فرسایشی ترکیبی از دو یا چند مورد باال باشد‪.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

‫کارشناسان تحلیل باتوجه به محدودههای هر پارامتر که از نرمال کردن دادههای مربو به سوابق آن دستگاه بهدست آمده‬

‫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

‫تعویض روغن و سرویس دقیق دستگاه از خرابی دستگاه جلوگیری نماید‪.‬‬

‫روشهای مختلفی برای تحلیل نتایج آنالیز روغن وجود دارد که در این پژوهش از ابزار شبکه عصبی مصنوعی استفاده شده‬

‫است‪.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫شکل ‪ :1–2‬نتايج آنالیز روغن يک لوكوموتیو ‪GT-26 CW‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫‪ -3‬شبکه عصبي‬
‫شبکه عصبی با الهام از سیست عصبی بدن طراحی و ابداع شده است‪ ،‬بدین معنی که یک شبکه عصبی از چندین عنصر به نام‬

‫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-‬‬

‫آل شروع میشود ]‪.[4‬‬

‫‪ 3-1‬نرمال كردن دادهها‬

‫به منظور بهبود کیفیت این پژوهش عمل نرمال کردن دادهها انجام گردید که در ذیل به تفضیل تشریح شده است‪ .‬جهت‬

‫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.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫جدول ‪ :1–3‬وضعیت دستگاه و مقادیر در نظر گرفته شده برای هریک‬

‫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،‬‬

‫‪ Crackle ،PQ‬و ویسکوزیته در دمای ‪ 40‬درجه سانتیگراد انجام شده است‪.‬‬

‫‪ 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

‫شبکه طبق رابطه زیر‪ ،‬کمینه شود ]‪:[5‬‬

‫(‪)1‬‬

‫‪1‬‬
‫‪Back Propagation‬‬
‫‪2‬‬
‫‪Feed-Forward‬‬

‫اسفند‪CMFD 2022, 1400‬‬

‫فاکتور مومنتوم میباشد‪ .‬انتخاب مناسب نرخ آموزش و فاکتور مومنتوم‬ ‫که در این رابطه‪ E ،‬خطای شبکه‪ α ،‬نرخ آموزش و‬

‫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

‫استفاده میشود از رابطه (‪ )2‬بهدست میآید ]‪:[5‬‬

‫( ‪)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

‫زیر بیان میشود ]‪:[5‬‬

‫(‪)4‬‬

‫‪1‬‬
‫‪Sigmoid‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫‪ 3-5‬نرمافزار شبکه عصبي مصنوعي‬
‫تمام فرآیندهای آموزش و ارزیابی مدل شبکه عصبی در نرمافزار ‪ MATLAB R2017b‬و در قسمت جعبه ابزار شبکه‬

‫عصبی انجام شد‪ .‬تابع خطای شبکه به صورت میانگین مربع خطا‪ 1‬تعریف شد‪ .‬معیار انتخاب ساختار مناسب شبکه عصبی‪،‬‬

‫ضریب رگرسیون ‪ R‬بود‪.‬‬

‫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.‬‬

‫‪ 3-6‬مدلسازی شبکه عصبي‬

‫‪ 70%‬دادهها برای آموزش ‪ %15 ،‬برای آزمون و ‪ %15‬برای اعتبارسنجی شبکه عصبی اختصاص یافتند‪ .‬دادهها در محدوده صفر‬
‫تا یک بر اساس معادله ‪ 6‬نرمالسازی و مقداردهی شدند که در نتیجه آن برای تابع انتقال در الیه پنهان (‪ )sigmoid‬و الیه‬
‫خروجی (خطی) مناسب هستند‪.‬‬

‫(‪)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.‬‬

‫شکل ‪ :1‬ساختار شبکه عصبی‬

‫‪2‬‬
‫‪Mean Square Error‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫برازش آموزش این مدل ‪ ،0.85‬ارزیابی ‪ 0.75‬و اعتبار سنجی ‪ 0.81‬به دست آمده است که در شکل ‪ 2‬نشان داده شده است‪:‬‬

‫شکل ‪ :2‬برازش مدل شبکه عصبی‬

‫‪ 3-7‬آزمايش مدل‬

‫پس از پایان مدلسازی و تشکیل مدل مناسب‪ ،‬جهت بررسی کارآمدی‪ ،‬مدل تحت آزمایش قرار گرفت‪ .‬نتایج بهدست آمده از ‪8‬‬

‫دسته ورودی مطابق جدول ‪ 2-2‬است‪.‬‬

‫جدول ‪ 2–3‬مقايسه نتايج بهدست آمده از مدل و نتیجه واقعي‬

‫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.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 ‫‪ -4‬نتیجه گیری‪:‬‬

‫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.‬‬

‫اسفند‪CMFD 2022, 1400‬‬

 :‫منابع‬
‫ شناسایی ابزارهای پایش وضعیت ناوگان ریلی با رویکرد پیاده سازی نت‬،1393 ،‫] محمد خزاف مقدم؛ سید مجتبی حسنیان و احسان سلیمی‬1[

‫ 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[

1389 ‫ اسفند‬،‫ ایران‬، ‫تخصصی پایش وضعیت و عیب یابی‬

[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.

CMFD 2022, 1400‫اسفند‬