Modares Mechanical Engineering
مهندسی مکانیک مدرس
Modares Mechanical Engineering
Engineering & Technology
http://mme.modares.ac.ir
1
admin
1027-5940
2476-6909
10.22034/mme
fa
jalali
1395
12
1
gregorian
2017
3
1
17
2
online
1
fulltext
fa
مقایسهای بین تجزیه حالت تجربی و تبدیل موجک در تشخیص نابالانسی ماشین دوار با استفاده از ماشین بردار پشتیبان بهینه
Comparison between empirical mode decomposition and wavelet transform for unbalance detection on rotating machinery using optimized support vector machine
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.
In this study, fair comparisons between the empirical mode decomposition, ensemble empirical mode decomposition and discrete wavelet transform with the mother wavelet function of Meyer and Daubechies, were performed for detecting unbalance faults in a rotating machinery. In order to classify the healthy class from the unbalance classes, a support vector machines that was optimized by particle swarm optimization algorithm, was used. A comparison between the performances of optimized and non-optimized of support vector machines were also carried out. In order to obtained the required data, a rotating machinery fault simulator was developed and vibrational signals were acquired at healthy and unbalance fault conditions by accelerometer sensors. By processing the recorded signals and analysing signal to their frequency components, several statistical features were extracted from each frequency component as input support vector machine for the separation of classes. The obtained results indicated that the discrete wavelet transform with the Meyer mother wavelet, higher success rate than other methods for diagnosing unbalance faults.
پردازش سیگنال,تجزیه حالت تجربی,ماشین بردار پشتیبان,بهینهسازی ازدحام ذرات,ماشین دوار
Signal Processing,Empirical Mode Decomposition,Support vector machine,Particle Swarm Optimization,Rotating Machine
325
332
http://mme.modares.ac.ir/browse.php?a_code=A-15-21133-1&slc_lang=fa&sid=15
Mohammad
Rahbar
محمد
رهبر
100319475328460047813
100319475328460047813
No
University of Guilan
دانشگاه گیلان
Ali
Chaibakhsh
علی
چائی بخش لنگرودی
100319475328460047811
100319475328460047811
Yes
Assistant Prof. / University of Guilan
استادیار / دانشگاه گیلان