مقایسه ای بین تجزیه حالت تجربی و تبدیل موجک در تشخیص نابالانسی ماشین دوار با استفاده از ماشین بردار پشتیبان بهینه

در این پژوهش، مقایسه ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته ای و تبدیل موجک گسسته با توابع موجک مادر میر و دابچی در تشخیص عیب نابالانسی ماشین دوار انجام شده است. به منظور طبقه بندی و تفکیک کلاس سالم از نابالانسی ماشین دوار، از ماشین بردار پشتیبان بهینه شده با الگوریتم بهینه سازی ازدحام ذرات استفاده شده است. همچنین، مقایسه ای بین عملکرد ماشین بردار پشتیبان بهینه و غیربهینه نیز انجام شده است. به منظور تهیه داده های مورد نیاز، ابتدا یک دستگاه شبیه ساز عیب در ماشین دوار ساخته، سپس سیگنال های ارتعاشی در دو حالت سالم و عیب نابالانسی، توسط سنسورهای شتاب اخذ شدند. بعد از پردازش و تجزیه سیگنال ها به مولفه های فرکانسی آنها، چند ویژگی آماری از هر مولفه فرکانسی استخراج و بعنوان ورودی ماشین بردار پشتیبان، جهت تفکیک کلاس ها از یکدیگر مورد استفاده قرار گرفت. نتایج حاصل نشان داد که روش تبدیل موجک گسسته با تابع موجک مادر میر، درصد موفقیت بالاتری در تشخیص عیب نابالانسی نسبت به سایر روش ها دارد.

Keywords:

Signal Processing , Empirical Mode Decomposition , Support vector machine , Particle Swarm Optimization , Rotating Machine , پردازش سیگنال , تجزیه حالت تجربی , ماشین بردار پشتیبان , بهینه سازی ازدحام ذرات , ماشین دوار