این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۹، شماره ۴، صفحات ۸۶۵-۸۷۵
عنوان فارسی روش ترکیبی هوشمند جدید برای عیب‌یابی یاتاقان بر پایه بهبود روش انتخاب ویژگی ارزیابی جبران فاصله و ماشین بردار پشتیبان
چکیده فارسی مقاله در این مقاله، یک روش جدید برای عیب‌یابی یاتاقان‌ها در سرعت دورانی‌های مختلف ارایه شده است. سیگنال‌های ارتعاشی در چهار حالت سالم، رینگ داخلی معیوب، رینگ خارجی معیوب و المان ساچمه معیوب جمع‌آوری شده‌اند. ابتدا 22 ویژگی آماری در حوزه‌ زمان و 4 ویژگی در حوزه فرکانس از سیگنال اصلی، 3 سطح تجزیه حاصل از تبدیل بسته‌ای موجک (WPD) و 5 مولفه اول حاصل از تجزیه مود تجربی (EMD) استخراج شده‌اند و در نهایت، بردار ویژگی برای هر نمونه سیگنال دارای 424 ویژگی است. ماتریس ویژگی با ابعاد بزرگ ممکن است شامل ویژگی‌های غیرحساس به عیب باشد. از این رو در این مطالعه از روش انتخاب ویژگی ارزیابی جبران فاصله (CDET) برای انتخاب ویژگی‌های بهینه استفاده شده است. سپس، از ویژگی‌های منتخب به‌عنوان ورودی طبقه‌بندی‌کننده‌ ماشین بردار پشتیبان (SVM) برای پیش‌بینی وضعیت یاتاقان استفاده شده است. در روش CDET، شاخص آستانه‌ای وجود دارد که نقش تعیین‌کننده‌ای در انتخاب ویژگی‌های مطلوب ایفا می‌نماید. همچنین، روش SVM دارای پارامترهایی است که لازم است حین عیب‌یابی تنظیم شوند. از این رو در این مطالعه از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای تعیین مقادیر بهینه شاخص آستانه در روش CDET و پارامترهای بهینه SVM استفاده شده است، به‌طوری که خطای پیش‌بینی شرایط یاتاقان و تعداد ویژگی‌های منتخب کمینه شوند. نتایج به‌دست‌آمده در این مقاله نشان می‌دهد که ویژگی‌های انتخاب‌شده به‌خوبی قادر به تفکیک شرایط مختلف یاتاقان در سرعت‌های مختلف هستند. مقایسه نتایج این مقاله با دیگر روش‌های عیب‌یابی، دلالت بر توانمندی روش پیشنهادی می‌کند.
کلیدواژه‌های فارسی مقاله عیب‌یابی یاتاقان،استخراج ویژگی،انتخاب ویژگی،ماشین بردار پشتیبان،الگوریتم بهینه‌سازی ازدحام ذرات،
عنوان انگلیسی A New Hybrid Intelligent Technique Based on Improving the Compensation Distance Evaluation Technique and Support Vector Machine for Bearing Fault Diagnosis
چکیده انگلیسی مقاله In this paper, a new hybrid intelligent method is presented for detecting the bearing faults in the various rotating speeds. The vibration signals are collected in four conditions, including the normal state, the faulty inner race, the faulty outer race, and the faulty bearing element. Firstly, twenty-two statistical features in the time domain and four frequency features, three Wavelet packet decomposition (WPD), and the first five intrinsic mode functions obtained by the empirical mode decomposition (EMD) are extracted from the original signal; finally, the feature vector for each signal sample has 424 features. However, in the high dimensional feature matrix, there may exist the insensitive features to the presence of defects. Therefore, in this study, the compensation distance evaluation technique (CDET) is used to select the optimal features. Then, the selected features are used as the inputs of the support vector machine (SVM) classifier to diagnose the bearing conditions. In the CDET method, there is a threshold indicator that plays a decisive role in choosing the desired attributes. Also, the SVM method has some parameters that need to be set during the fault detection process. Therefore, the particle swarm optimization (PSO) algorithm is used to determine the optimal threshold in the CDET method and the optimal SVM parameters, so that the prediction error of the bearing conditions and the number of the selected features are minimized. The obtained results demonstrate that the selected features are well able to differentiate between different bearing conditions at various speeds. Comparing the results of this paper with other fault detection methods indicates the ability of the proposed method.
کلیدواژه‌های انگلیسی مقاله عیب‌یابی یاتاقان,استخراج ویژگی,انتخاب ویژگی,ماشین بردار پشتیبان,الگوریتم بهینه‌سازی ازدحام ذرات
نویسندگان مقاله سعید نظامیوندچگینی |
گروه دینامیک، کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

احمد باقری |
گروه دینامیک، کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

فرید نجفی |
گروه دینامیک، کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

نشانی اینترنتی https://mme.modares.ac.ir/article_10629_1f07e084110004e833be627c4fff4148.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات