چکیده

زمانی که یک سری اشکالات به صورت ترکیبی در بخش‌های متعددی از یک ماشین روتاری رخ می‌دهد، ویژگی‌های این ماشین به طور عمیقی متأثر از این اشکالات قرار می‌گیرند. در حال حاضر، متخصصین از آشنایی کافی با مشخصه‌های اشکالات برخوردار بوده و داده‌هایی کافی در خصوص هر اشکال در اختیار دارند ولی در زمانی که تنها یک اشکال در این ماشین‌ها رخ می‌دهد و یا زمانی که اشکالات به صورت ترکیبی رخ می‌دهند، تفکیک مشخصه‌های این اشکالات بسیار مشکل می‌شود. بنابراین متخصصین قادر به ارائه‌ی اطلاعاتی دقیق در خصوص نشانه‌های اشکالات ترکیبی و کیفیت آن نیستند. در این مقاله قصد داریم روشی مدرن را برای حل و فصل این عیب ارائه دهیم. ایده‌ی اصلی در این روش پیشنهادی این است که بدون در نظر گرفتن ویژگی‌های اشکالات ترکیبی، این اشکالات را به عنوان مجموعه‌های داده‌ای آموزشی در نظر بگیریم و از ویژگی‌های هر کدام از اشکالات به صورت مجزا در مرحله‌ی آموزش استفاده نماییم. به همین منظور پس از گردآوری داده‌ها و نمونه‌برداری مجدد از سیگنال‌های ارتعاشیِ به دست آمده، از روش تجزیه مد تجربی (EMD) برای تجزیه‌ی سیگنال‌های چندین مؤلفه به توابع مد ذاتی (IMF) استفاده نماییم. با استفاده از ضریب همبستگی می‌توان IMF های مناسبی را برای استخراج ویژگی انتخاب نمود. در گام استخراج ویژگی، آنتروپی انرژی شانون در IMF ها را استخراج کردیم و همچنین ویژگی‌های آماری آن‌ها را استخراج کردیم. بدیهی است که بسیاری از ویژگی‌هایی که استخراج شدند به شدت به هم وابسته هستند. در همین راستا از دسته‌بند غیر نایو بیز (NNBC) استفاده کردیم تا فرضیه‌ی نایوبیز، یعنی وجود وابستگی در بین ویژگی‌ها را خنثی نماییم. به منظور اثبات برتری روش NNBC، روش‌های دیگری مانند دسته‌بند نایو بیز نرمال، دسته‌بند نایو بیز هسته و شبکه‌های عصبی پس انتشار را بکار گرفتیم و نتایج دسته‌بندی‌ای که توسط این روش‌ها به دست آمد را با هم مقایسه کردیم. از سیگنال‌های ارتعاش آزمایشی که از یک جعبه دنده‌ی خودرو جمع آوری شدند برای بررسی بهره‌وری و عملکرد روش پیشنهادی استفاده نمودیم. در طی فرآیند دسته‌بندی، تنها ویژگی‌هایی که هر کدام به تنهایی با اشکالاتی مانند شکستگی بلبرینگ یا اشکال در دنده ارتباط داشتند را برای آموزش دسته‌بند بکار گرفتیم. ولی ویژگی‌های اشکالات ترکیبی (یعنی شرایطی که اشکال هم در بلبرینگ و هم در دنده رخ داده بود) را به عنوان مجموعه داده‌ای تست در نظر گرفتیم. احتمالاتی که از روی داده‌های تست به دست آمد نشان می‌دهد که اشکالات ترکیبی را می‌توان با نسبت موفقیت بسیار بالا ترکیب نمود.

1-مقدمه

مفهوم " تشخیص" در ابتدا در علم پزشکی معرفی گردید. امروزه متدولوژی‌های تشخیصی پیشرفته‌ای برای شناسایی دلایل ریشه‌ای و نوع اشکالاتی که در ماشین‌ها رخ می‌دهد وجود دارد. البته فرآیند تشخیص، یک اقدام واکنشی بوده و زمانی این فرآیند انجام می‌شود که یک اشکالی رخ داده باشد. در اصل، در تشخیص اشکال به دنبال شناسایی مشخصه‌های اشکالاتی هستیم که این اشکالات در مجموعه‌های داده‌ای مرتبط با شرایط خاصی از ماشین‌ها مخفی شده است. علاوه بر این، نظارت بر وضعیت نوسان ماشین‌های چرخشی را می‌توان به عنوان ابزاری مناسب برای شناسایی طیف متنوعی از اشکالات در نظر گرفت.... 

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.