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.

واژه‌های کلیدی: پردازش سیگنال، تجزیه حالت تجربی، ماشین بردار پشتیبان، بهینه‌سازی ازدحام ذرات، ماشین دوار

متن کامل [PDF 1130 kb]   (7031 دریافت)