طبقه بندی چند عصبی برای چرخ دنده ها بر پایه ی تبدیل موجک گسسته، انتخاب مناسب ترین ویژگی و ماشین بردار پشتیبان بهبود یافته

عیب یابی چرخ دنده ها به کمک روش های هوشمند یکی از موضوعات رایج در تحقیقات اخیر می باشد. در این مقاله، روش ترکیبی جدیدی بر پایه ی تبدیل موجک گسسته، استخراج ویژگی در حوزه زمان و ماشین بردار پشتیبان چند کلاسه (Multi-SVM) ارایه شده است. سیگنال های ارتعاشی در سه حالت سالم، لب پریدگی و ساییدگی دندانه جمع آوری شده اند. این سیگنال ها به کمک روش تبدیل موجک گسسته با توابع موجک مختلف تجزیه شده و مناسب-ترین سطح تجزیه به کمک مفهوم همبستگی متقابل انتخاب شده اند. با به کارگیری توابع آماری مختلف در حوزه ی زمان، بردار ویژگی متناظر با هر نمونه سیگنال استخراج شده است. برای تعیین وضعیت جعبه دنده از روش SVM از نوع «یک در برابر یک» استفاده شده است. شناسایی وضعیت یک جعبه دنده وابسته به نوع ویژگی های استخراج شده و چگونگی تنظیم پارامترهای SVM می باشد. از این رو، در این مطالعه برای شناسایی حساس ترین ویژگی ها به حضور عیب و نوع آن و تعیین پارامترهای بهینه روش SVM از الگوریتم بهینه سازی ازدحام ذرات استفاده شده است. نتایج نشان می دهند که با بهبود ماتریس ویژگی و روش طبقه بندی SVM، دقت شناسایی شرایط جعبه دنده به طور قابل ملاحظه ای افزایش می یابد.

کلیدواژه ها:

عیب یابی ، تبدیل موجک ، استخراج ویژگی ، ماشین بردار پشتیبان چند کلاسه ، الگوریتم بهینه سازی ازدحام ذرات