فهرست نشریات علمی دسترسی آزاد ایران

چکیده: کمپرسورهای رفت و برگشتی از ماشین‌آلات رایج در کاربردهای صنعتی به شمار می‌روند. توقف‌های ناگهانی و فعالیت‌های تعمیر و نگهداری غیرزمان‌بندی شده این کمپرسورها، خسارت قابل توجهی در میزان تولید و بهره‌وری واحد صنعتی به همراه دارد. از میان تمامی خرابی‌هایی که باعث توقف ناگهانی کمپرسورهای رفت و برگشتی می‌شوند، خرابی‌های مرتبط با سوپاپ بیشترین شیوع را دارند. هدف این مقاله، بررسی تشخیص و پیش‌بینی خرابی‌ سوپاپ­ها با استفاده از شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و روش گروه داده‌ها بر اساس سیگنال‌های فشار، دما و ارتعاش کمپرسورهای رفت و برگشتی می باشد. این پارامترها به صورت پیوسته اندازه‌گیری شده و مقادیر پایه‌ای برای شرایط عادی و خرابی تعریف شده‌اند. در هر مدل شبکه عصبی، ساختار بهینه با بهره‌گیری از الگوریتم ژنتیک تعیین شده است. از نظر کمی، مدل بهینه‌شده روش MLPANN نسبت به مدل‌های بهینه شده RBFANN و GMDH عملکرد بهتری نشان داد؛ به‌طوری‌که مقدار RMSE حدود ۹۵٪ کاهش و ضریب همبستگی حدود ۰٫۳٪ افزایش یافت.