تشخیص عیب یاتاقان چرخ اتوبوس مسافربری به کمک سیگنالهای ارتعاشی با استفاده از یادگیری ماشین

تشخیص عیوب یاتاقانهای چرخ اتوبوسها به دلیل تاثیر مستقیم بر ایمنی و کارایی سیستم های حمل و نقل عمومی و همچنین کاهش هزینه های نگهداری و تعمیرات یک چالش مهم و ضروری است . خرابی یاتاقان چرخ می تواند منجر به توقف های ناگهانی ، افزایش هزینه های تعمیرات و درصورت عدم تشخیص به موقع می تواند باعث بروز حوادث خطرناکی از جمله قفل شدن چرخها و یا لق شدن آن ها شود. این پژوهش با هدف استفاده از ابزارهای یادگیری ماشین برای کاربری خاص که تشخیص هوشمند عیب یاتاقان چرخ اتوبوس است ، انجام شده است . دادههای ارتعاشی از یاتاقان چرخ اتوبوس در جاده و در شرایط عملیاتی واقعی با استفاده از یک حسگر دقیق جمع آوری و تحلیل شدند تا از تطابق مدلهای توسعه یافته با شرایط واقعی اطمینان حاصل شود. ابتدا دادهها پیش پردازش شدند و از آنها ویژگی های کلیدی استخراج شدند. سپس ، از الگوریتم های یادگیری ماشین شامل ماشین بردار پشتیبان، یادگیری جمعی مبتنی بر ماشین بردار پشتیبان و -Kنزدیک ترین همسایه برای توسعه مدلهای تشخیص عیب استفاده شدند. مدلها با استفاده از دادههای جمع آوری شده آموزش داده شدند و سپس با استفاده از دادههای آزمون ارزیابی گردیدند. نتایج نشان داد که مدلهای ماشین بردار پشتیبان با کرنل شعاعی و یادگیری جمعی بر پایه ماشین بردار پشتیبان و کرنل شعاعی عملکرد بهتری در تشخیص عیب یاتاقان داشتند و دقت تشخیص بالاتری ارائه دادند. این مدلها قادر به شناسایی زودهنگام عیب بودند و توانستند از خرابی های ناگهانی جلوگیری کنند. استفاده از روشهای پیشرفته یادگیری ماشین در این پژوهش به طور موثری به بهبود ایمنی ، کاهش هزینه های نگهداری و افزایش بهرهوری سیستم های حمل و نقل عمومی کمک می کند. این تحقیق نشاندهنده پتانسیل بالای روشهای پردازش سیگنال و یادگیری ماشین در بهبود عملکرد و ایمنی سیستم های مکانیکی پیچیده در شرایط عملیاتی و واقعی است .

کلیدواژه ها:

دادهبرداری میدانی ، عیب یابی ، یادگیری ماشین ، یاتاقان چرخ ، پردازش سیگنال ، ماشین بردار پشتیبان