روش ترکیبی هوشمند جدید برای عیب یابی یاتاقان بر پایه بهبود روش انتخاب ویژگی ارزیابی جبران فاصله و ماشین بردار پشتیبان
- سال انتشار: 1398
- محل انتشار: مهندسی مکانیک مدرس، دوره: 19، شماره: 4
- کد COI اختصاصی: JR_MME-19-4_008
- زبان مقاله: فارسی
- تعداد مشاهده: 84
نویسندگان
Dynamic, Control & Vibration Department, Mechanical Engineering Faculty, University of Guilan, Rasht, Iran
Dynamic, Control & Vibration Department, Mechanical Engineering Faculty, University of Guilan, Rasht, Iran
Dynamic, Control & Vibration Department, Mechanical Engineering Faculty, University of Guilan, Rasht, Iran
چکیده
در این مقاله، یک روش جدید برای عیب یابی یاتاقان ها در سرعت دورانی های مختلف ارایه شده است. سیگنال های ارتعاشی در چهار حالت سالم، رینگ داخلی معیوب، رینگ خارجی معیوب و المان ساچمه معیوب جمع آوری شده اند. ابتدا ۲۲ ویژگی آماری در حوزه زمان و ۴ ویژگی در حوزه فرکانس از سیگنال اصلی، ۳ سطح تجزیه حاصل از تبدیل بسته ای موجک (WPD) و ۵ مولفه اول حاصل از تجزیه مود تجربی (EMD) استخراج شده اند و در نهایت، بردار ویژگی برای هر نمونه سیگنال دارای ۴۲۴ ویژگی است. ماتریس ویژگی با ابعاد بزرگ ممکن است شامل ویژگی های غیرحساس به عیب باشد. از این رو در این مطالعه از روش انتخاب ویژگی ارزیابی جبران فاصله (CDET) برای انتخاب ویژگی های بهینه استفاده شده است. سپس، از ویژگی های منتخب به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان (SVM) برای پیش بینی وضعیت یاتاقان استفاده شده است. در روش CDET، شاخص آستانه ای وجود دارد که نقش تعیین کننده ای در انتخاب ویژگی های مطلوب ایفا می نماید. همچنین، روش SVM دارای پارامترهایی است که لازم است حین عیب یابی تنظیم شوند. از این رو در این مطالعه از الگوریتم بهینه سازی ازدحام ذرات (PSO) برای تعیین مقادیر بهینه شاخص آستانه در روش CDET و پارامترهای بهینه SVM استفاده شده است، به طوری که خطای پیش بینی شرایط یاتاقان و تعداد ویژگی های منتخب کمینه شوند. نتایج به دست آمده در این مقاله نشان می دهد که ویژگی های انتخاب شده به خوبی قادر به تفکیک شرایط مختلف یاتاقان در سرعت های مختلف هستند. مقایسه نتایج این مقاله با دیگر روش های عیب یابی، دلالت بر توانمندی روش پیشنهادی می کند.کلیدواژه ها
Bearing Fault Diagnosis, Feature Extraction, Feature Selection, Support Vector Machine, Particle Swarm Optimization, عیب یابی یاتاقان, استخراج ویژگی, انتخاب ویژگی, ماشین بردار پشتیبان, الگوریتم بهینه سازی ازدحام ذراتاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.