کاربرد نگاشت های GAF و MTF در تشخیص خرابی تجهیزات دوار با شبکه DenseNet

در این پژوهش، یک چارچوب مبتنی بر یادگیری عمیق برای تشخیص خرابی تجهیزات دوار با استفاده از شبکه DenseNet ارائه شده است. هدف اصلی، بررسی تاثیر روش های تبدیل سیگنال به تصویر، شامل نگاشت میدان گرمیان زاویه ای (GAF) و میدان انتقال مارکوف (MTF)، در بهبود عملکرد مدل های یادگیری عمیق در طبقه بندی وضعیت های خرابی در داده های ارتعاشی تجهیزات دوار است. بدین منظور، سیگنال های ارتعاشی مجموعه داده مربوط به خرابی های جعبه دنده دانشگاه کنکتیکت UoC ابتدا با استفاده از GAF و MTF به تصاویر دوبعدی تبدیل شده اند. تصاویر حاصل سپس به عنوان ورودی به شبکه DenseNet دوبعدی داده شده اند تا فرآیند یادگیری و تشخیص انجام شود. عملکرد این مدل ها با مدل DenseNet۱D که مستقیما داده های خام یک بعدی را دریافت می کند، مقایسه شده است. نتایج حاصل نشان می دهد که پیش پردازش سیگنال به صورت نگاشت تصویری، موجب افزایش دقت تشخیص شده و امکان استخراج بهتر الگوهای پنهان از داده ها را برای مدل فراهم می سازد. در مجموع، یافته ها بیانگر آن است که استفاده از نگاشت های GAF و MTF می تواند گامی موثر در جهت بهبود سیستم های هوشمند تشخیص خرابی تجهیزات دوار باشد.

کلیدواژه ها:

تشخیص خرابی تجهیزات دوار ، نگاشت گرمیان زاویه ای (GAF) ، میدان انتقال مارکوف (MTF) ، شبکه DenseNet ، یادگیری عمیق