محمد بصیرنژاد - دانشجوی کارشناسی ارشد، دانشگاه صنعتی شریف، تهران

هدف از این پژوهش، تشخیص عیب در بلبرینگ های معیوب و طبقه بندی عیوب آن ها بر مبنای هوش مصنوعی است [۱]. الگوریتم های هوش مصنوعی برای این منظور به دو دسته الگوریتم های یادگیری ماشین و یادگیری عمیق تقسیم می شوند. استفاده از روش های یادگیری ماشین معمولا نیازمند استخراج ویژگی های سیگنال توسط کاربر است، در حالی که در روش های یادگیری عمیق می توان سیگنال خام را در اختیار شبکه عصبی قرار داد تا ابتدا عملیات استخراج ویژگی و سپس عملیات دسته بندی توسط لایه های انتهایی شبکه انجام می شود.در این پژوهش ابتدا با استفاده از روش های یادگیری ماشین مانند جنگل تصادفی و k نزدیک ترین همسایه ، دسته بندی را انجام می دهیم. به این صورت که ویژگی های حوزه زمان و فرکانس را از سیگنال اصلی استخراج کرده و این ویژگی ها را در اختیار این الگوریتم ها قرار می دهیم.در گام بعد هر سیگنال ارتعاشی خام را به صورت دو بعدی در آورده و به یک شبکه عصبی پیچشی می دهیم تا عملیات استخراج ویژگی و سپس دسته بندی عیوب انجام شود.در گام بعد داده های دو بعدی خام و اسکالوگرام دو بعدی حاصل از اعمال تبدیل موجک پیوسته با هم تلفیق شده و به صورت داده چند کاناله (مانند تصویر دیجیتال دارای چند کانال رنگ) در می آیند و شبکه پیچشی عمیق روی این داده ها اعمال می شوند.در انتها عملکرد این روش ها با هم مقایسه می شود و به بررسی نتایج خواهیم پرداخت.

عیب یابی بلبرینگ، شبکه عصبی کانولوشنی عمیق، یادگیری ماشین، پردازش سیگنال های ارتعاشی