دانشگاه تبریز مهندسی مکانیک دانشگاه تبریز 2228-5148 52 2 2022 07 23 طبقه‌بندی چند عصبی برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته 361 370 11607 10.22034/jmeut.2020.11607 FA سعید نظامیوند چگینی دکتری تخصصی، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران احمد باقری استاد، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران میلاد رمضانی دشتمیان کارشناسی ارشد، گروه مهندسی مکانیک، موسسه آموزش عالی احرار، رشت، ایران بهمن احمدی استادیار، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران Journal Article 2018 12 22 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. https://tumechj.tabrizu.ac.ir/article_11607_4628cf8f82c362256d25837f230e62b4.pdf