TY - JOUR ID - 11607 TI - طبقه‌بندی چند عصبی برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته JO - مهندسی مکانیک دانشگاه تبریز JA - JMEUT LA - fa SN - 2228-5148 AU - نظامیوند چگینی, سعید AU - باقری, احمد AU - رمضانی دشتمیان, میلاد AU - احمدی, بهمن AD - دکتری تخصصی، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران AD - استاد، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران AD - کارشناسی ارشد، گروه مهندسی مکانیک، موسسه آموزش عالی احرار، رشت، ایران AD - استادیار، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران Y1 - 2022 PY - 2022 VL - 52 IS - 2 SP - 361 EP - 370 KW - عیب‌یابی KW - تبدیل موجک KW - استخراج ویژگی KW - ماشین بردار پشتیبان چند کلاسه KW - الگوریتم بهینه‌سازی ازدحام ذرات DO - 10.22034/jmeut.2020.11607 N2 - عیب‌یابی چرخ‌دنده‌ها به کمک روش‌های هوشمند یکی از موضوعات رایج در تحقیقات اخیر می‌باشد. در این مقاله، روش ترکیبی جدیدی بر پایه‌ی تبدیل موجک گسسته، استخراج ویژگی در حوزه زمان و ماشین بردار پشتیبان چند کلاسه (Multi-SVM) ارایه شده است. سیگنال‌های ارتعاشی در سه حالت سالم، لب‌پریدگی و ساییدگی دندانه جمع‌آوری شده‌اند. این سیگنال‌ها به کمک روش تبدیل موجک گسسته با توابع موجک مختلف تجزیه شده و مناسب-ترین سطح تجزیه به کمک مفهوم همبستگی متقابل انتخاب شده‌اند. با به کارگیری توابع آماری مختلف در حوزه‌ی زمان، بردار ویژگی متناظر با هر نمونه سیگنال استخراج شده است. برای تعیین وضعیت جعبه‌دنده از روش SVM از نوع «یک در برابر یک» استفاده شده است. شناسایی وضعیت یک جعبه‌دنده وابسته به نوع ویژگی‌های استخراج شده و چگونگی تنظیم پارامترهای SVM می‌باشد. از این رو، در این مطالعه برای شناسایی حساس‌ترین ویژگی‌ها به حضور عیب و نوع آن و تعیین پارامترهای بهینه روش SVM از الگوریتم بهینه‌سازی ازدحام ذرات استفاده شده است. نتایج نشان می‌دهند که با بهبود ماتریس ویژگی و روش طبقه‌بندی SVM، دقت شناسایی شرایط جعبه‌دنده به طور قابل ملاحظه‌ای افزایش می‌یابد. UR - https://tumechj.tabrizu.ac.ir/article_11607.html L1 - https://tumechj.tabrizu.ac.ir/article_11607_4628cf8f82c362256d25837f230e62b4.pdf ER -