این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۷، شماره ۲، صفحات ۳۲۵-۳۳۲
عنوان فارسی مقایسه‌ای بین تجزیه حالت تجربی و تبدیل موجک در تشخیص نابالانسی ماشین دوار با استفاده از ماشین بردار پشتیبان بهینه
چکیده فارسی مقاله در این پژوهش، مقایسه‌ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته‌ای و تبدیل موجک گسسته با توابع موجک مادر مِیِر و دابچی در تشخیص عیب نابالانسی ماشین دوار انجام شده است. به منظور طبقه‌بندی و تفکیک کلاس سالم از نابالانسی ماشین دوار، از ماشین بردار پشتیبان بهینه شده با الگوریتم بهینه‌سازی ازدحام ذرات استفاده شده است. همچنین، مقایسه‌ای بین عملکرد ماشین بردار پشتیبان بهینه و غیربهینه نیز انجام شده است. به منظور تهیه داده‌های مورد نیاز، ابتدا یک دستگاه شبیه‌ساز عیب در ماشین دوار ساخته، سپس سیگنال‌های ارتعاشی در دو حالت سالم و عیب نابالانسی، توسط سنسورهای شتاب اخذ شدند. بعد از پردازش و تجزیه سیگنال‌ها به مولفه‌های فرکانسی آنها، چند ویژگی آماری از هر مولفه فرکانسی استخراج و بعنوان ورودی ماشین بردار پشتیبان، جهت تفکیک کلاس‌ها از یکدیگر مورد استفاده قرار گرفت. نتایج حاصل نشان داد که روش تبدیل موجک گسسته با تابع موجک مادر مِیِر، درصد موفقیت بالاتری در تشخیص عیب نابالانسی نسبت به سایر روش‌ها دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison between empirical mode decomposition and wavelet transform for unbalance detection on rotating machinery using optimized support vector machine
چکیده انگلیسی مقاله In this study, fair comparisons between the empirical mode decomposition, ensemble empirical mode decomposition and discrete wavelet transform with the mother wavelet function of Meyer and Daubechies, were performed for detecting unbalance faults in a rotating machinery. In order to classify the healthy class from the unbalance classes, a support vector machines that was optimized by particle swarm optimization algorithm, was used. A comparison between the performances of optimized and non-optimized of support vector machines were also carried out. In order to obtained the required data, a rotating machinery fault simulator was developed and vibrational signals were acquired at healthy and unbalance fault conditions by accelerometer sensors. By processing the recorded signals and analysing signal to their frequency components, several statistical features were extracted from each frequency component as input support vector machine for the separation of classes. The obtained results indicated that the discrete wavelet transform with the Meyer mother wavelet, higher success rate than other methods for diagnosing unbalance faults.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد رهبر |
دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

علی چایی بخش لنگرودی | chaibakhsh langroudi
استادیار دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

نشانی اینترنتی http://mme.modares.ac.ir/article_16291_fbc7ca0d6d91509f43eec90389437d6a.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-358595.pdf
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