روش ترکیبی هوشمند جدید برای عیب یابی یاتاقان بر پایه بهبود روش انتخاب ویژگی ارزیابی جبران فاصله و ماشین بردار پشتیبان

در این مقاله، یک روش جدید برای عیب یابی یاتاقان ها در سرعت دورانی های مختلف ارایه شده است. سیگنال های ارتعاشی در چهار حالت سالم، رینگ داخلی معیوب، رینگ خارجی معیوب و المان ساچمه معیوب جمع آوری شده اند. ابتدا ۲۲ ویژگی آماری در حوزه زمان و ۴ ویژگی در حوزه فرکانس از سیگنال اصلی، ۳ سطح تجزیه حاصل از تبدیل بسته ای موجک (WPD) و ۵ مولفه اول حاصل از تجزیه مود تجربی (EMD) استخراج شده اند و در نهایت، بردار ویژگی برای هر نمونه سیگنال دارای ۴۲۴ ویژگی است. ماتریس ویژگی با ابعاد بزرگ ممکن است شامل ویژگی های غیرحساس به عیب باشد. از این رو در این مطالعه از روش انتخاب ویژگی ارزیابی جبران فاصله (CDET) برای انتخاب ویژگی های بهینه استفاده شده است. سپس، از ویژگی های منتخب به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان (SVM) برای پیش بینی وضعیت یاتاقان استفاده شده است. در روش CDET، شاخص آستانه ای وجود دارد که نقش تعیین کننده ای در انتخاب ویژگی های مطلوب ایفا می نماید. همچنین، روش SVM دارای پارامترهایی است که لازم است حین عیب یابی تنظیم شوند. از این رو در این مطالعه از الگوریتم بهینه سازی ازدحام ذرات (PSO) برای تعیین مقادیر بهینه شاخص آستانه در روش CDET و پارامترهای بهینه SVM استفاده شده است، به طوری که خطای پیش بینی شرایط یاتاقان و تعداد ویژگی های منتخب کمینه شوند. نتایج به دست آمده در این مقاله نشان می دهد که ویژگی های انتخاب شده به خوبی قادر به تفکیک شرایط مختلف یاتاقان در سرعت های مختلف هستند. مقایسه نتایج این مقاله با دیگر روش های عیب یابی، دلالت بر توانمندی روش پیشنهادی می کند.

روش ترکیبی هوشمند جدید برای عیب یابی یاتاقان بر پایه بهبود روش انتخاب ویژگی ارزیابی جبران فاصله و ماشین بردار پشتیبان Keywords:

Bearing Fault Diagnosis , Feature Extraction , Feature Selection , Support Vector Machine , Particle Swarm Optimization , عیب یابی یاتاقان , استخراج ویژگی , انتخاب ویژگی , ماشین بردار پشتیبان , الگوریتم بهینه سازی ازدحام ذرات