%0 Journal Article %A Nezamivand Chegini, S. %A Bagheri, A. %A Najafi, F. %T A New Hybrid Intelligent Technique Based on Improving the Compensation Distance Evaluation Technique and Support Vector Machine for Bearing Fault Diagnosis %J Modares Mechanical Engineering %V 19 %N 4 %U http://mme.modares.ac.ir/article-15-22033-fa.html %R %D 2019 %K Bearing Fault Diagnosis, Feature Extraction, Feature Selection, Support Vector Machine, Particle Swarm Optimization, %X در این مقاله، یک روش جدید برای عیب‌یابی یاتاقان‌ها در سرعت دورانی‌های مختلف ارایه شده است. سیگنال‌های ارتعاشی در چهار حالت سالم، رینگ داخلی معیوب، رینگ خارجی معیوب و المان ساچمه معیوب جمع‌آوری شده‌اند. ابتدا ۲۲ ویژگی آماری در حوزه‌ زمان و ۴ ویژگی در حوزه فرکانس از سیگنال اصلی، ۳ سطح تجزیه حاصل از تبدیل بسته‌ای موجک (WPD) و ۵ مولفه اول حاصل از تجزیه مود تجربی (EMD) استخراج شده‌اند و در نهایت، بردار ویژگی برای هر نمونه سیگنال دارای ۴۲۴ ویژگی است. ماتریس ویژگی با ابعاد بزرگ ممکن است شامل ویژگی‌های غیرحساس به عیب باشد. از این رو در این مطالعه از روش انتخاب ویژگی ارزیابی جبران فاصله (CDET) برای انتخاب ویژگی‌های بهینه استفاده شده است. سپس، از ویژگی‌های منتخب به‌عنوان ورودی طبقه‌بندی‌کننده‌ ماشین بردار پشتیبان (SVM) برای پیش‌بینی وضعیت یاتاقان استفاده شده است. در روش CDET، شاخص آستانه‌ای وجود دارد که نقش تعیین‌کننده‌ای در انتخاب ویژگی‌های مطلوب ایفا می‌نماید. همچنین، روش SVM دارای پارامترهایی است که لازم است حین عیب‌یابی تنظیم شوند. از این رو در این مطالعه از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای تعیین مقادیر بهینه شاخص آستانه در روش CDET و پارامترهای بهینه SVM استفاده شده است، به‌طوری که خطای پیش‌بینی شرایط یاتاقان و تعداد ویژگی‌های منتخب کمینه شوند. نتایج به‌دست‌آمده در این مقاله نشان می‌دهد که ویژگی‌های انتخاب‌شده به‌خوبی قادر به تفکیک شرایط مختلف یاتاقان در سرعت‌های مختلف هستند. مقایسه نتایج این مقاله با دیگر روش‌های عیب‌یابی، دلالت بر توانمندی روش پیشنهادی می‌کند. %> http://mme.modares.ac.ir/article-15-22033-fa.pdf %P 865-875 %& 865 %! Bearing Fault Diagnosis Using Intelligent Method %9 %L A-10-40826-1 %+ Dynamic, Control & Vibration Department, Mechanical Engineering Faculty, University of Guilan, Rasht, Iran %G eng %@ 1027-5940 %[ 2019