طبقه‌بندی چند عصبی برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری تخصصی، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

2 استاد، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

3 کارشناسی ارشد، گروه مهندسی مکانیک، موسسه آموزش عالی احرار، رشت، ایران

4 استادیار، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات

مراجع

[1]  Yan R., Gao R. X., Chen X., Wavelets for Fault Diagnosis of Rotary Machines: A Review with Applications. Signal Processing, Vol. 96, pp. 1-15, 2014.
[2]  Lei Y., Lin J., He Z., Zuo M., A Review on Empirical Mode Decomposition in Fault Diagnosis of Rotating Machinery. Mechanical System and Signal Processing, Vol. 35, pp. 108-126, 2013.
[3]  Ben Ali J., Fnaiech N., Saidi L., Chebel-Morello B., Fnaiech F., Application of Empirical Mode Decomposition and Artificial Neural Network for Automatic Bearing Fault Diagnosis Based on Vibration Signals. Applied Acoustics, Vol. 89, pp.16-27, 2015.
[4]   Jedlinski L., Jonak J., Early Fault Detection in Gearboxes Based on Support Vector Machines and Multilayer Perceptron with a Continuous Wavelet Transform. Applied Soft Computing, Vol. 30, pp. 636-641, 2015.
[5]  Rajeswari C., Sathiyabhama B., Devendiran S., Manivannan K., A Gear Fault Identification Using Wavelet Transform, Rough Set Based GA, ANN and C4.5 Algorithm. Procedia Engineering, Vol. 97, pp. 1831-1841, 2014.
[6]  Bordoloi D. J., Tiwari R., Support Vector Machine Based Optimization of Multi-Fault Classification of Gears with Evolutionary Algorithms from Time–Frequency Vibration Data. Measurement, Vol. 55, pp. 1-14, 2014.
[7]   Bordoloi D. J., Tiwari R., Optimum Multi-Fault Classification of Gears with Integration of Evolutionary and SVM Algorithms. Mechanism and Machine Theory, Vol. 73, pp. 49–60, 2014.
[8]   Bordoloi D. J., Tiwari R., Optimisation of SVM Methodology for Multiple Fault Taxonomy of Rolling Bearings from Acceleration Records. 9th IFToMM International Conference on Rotor Dynamics Mechanisms and Machine Science, Vol. 21, pp. 533-542, 2015.
[9]  Liu Z., Cao H., Chen X., He Z., Shen Z., Multi-Fault Classification Based on Wavelet SVM with PSO Algorithm to Analyze Vibration Signals from Rolling Element Bearings. Neurocomputing, Vol. 99, pp. 399–410, 2013.
[10] Dalian Y., Liyong M., Gear Fault Diagnosis Based on Support Vector Machine Optimized by Artificial Bee Colony Algorithm. Mechanism and Machine Theory, Vol. 90, pp. 219-229, 2015.
[11] Huang W., Kong F., Zhao X., Spur Bevel Gearbox Fault Diagnosis Using Wavelet Packet Transform and Rough Set Theory. Journal of Intelligent Manufacturing, Vol. 29, No.6, pp.1257-1271, 2018.
[12] Yu X., Dong F., Ding E., Wu S., Fan C., Rolling Bearing Fault Diagnosis Using Modified LFDA and EMD with Sensitive Feature Selection. IEEE Access, Vol. 6, pp.3715-3730, 2018.
[13] Jin S., Kim J. S., Lee S. K., Sensitive Method for Detecting Tooth Faults in Gearboxes Based on Wavelet Denoising and Empirical Mode Decomposition. Journal of Mechanical Science and Technology, Vol. 29, No. 8, pp. 3165-3173, 2015.
[14] Tabrizi A., Garibaldi L., Fasana A., Marchesiello S., Influence of Stopping Criterion for Sifting Process of Empirical Mode Decomposition (EMD) on Roller Bearing Fault Diagnosis. Advances in Condition Monitoring of Machinery in Non-Stationary Operations Lecture Notes in Mechanical Engineering, Berline, Germany, 389-398, 2014.
[15] Dhamandeh SL, Chaudhari BM, Detection of Combined Gear-Bearing Fault in Single Stage Spur Gear Box Using Artificial Neural Network. Procedia Engineering, pp. 144: 759-766, 2016.
[16] Zamanian A. H., Ohadi A., Gear Fault Diagnosis Based on Gaussian Correlation of Vibrations Signals and Wavelet Coefficients. Applied Soft Computing, Vol. 11, pp. 4807-4819, 2011.
[17]         Mallat S., A Theory of Multiresolution Signal Decomposition: the Wavelet Representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp. 674-693, 1989.
[18] Zhong J., Ma W., Lin J., Ma L., Jia X., Fault Diagnosis Approach for Rotating Machinery Based on Dynamic Model and Computational Intelligence. Measurement, Vol. 59, pp. 73-87, 2014.
[19]         Tabrizi A. A., Development of New Fault Detection Methods for Rotating Machines (Roller Bearings), PhD Thesis, University of Politecnico di Torino, 2015.
[20] Ratnaweera A., Halgamuge S. K., Watson H. C., Self-Organizing Hierarchical Particle Swarm Optimizer with Time-Varying Acceleration Coefficients. IEEE Transactions on Evolutionary Computation, Vol. 8, No. 3, pp. 240-255, 2004.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار