فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله، مقایسه‌ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته‌ای و تبدیل موجک پیوسته مورلت در تشخیص عیوب مختلف بیرینگ‌ها انجام شده است. در همین راستا از ماشین بردار پشتیبان با هسته موجک مورلت و استراتژی یکی در مقابل یکی که پارامترهای آن به کمک الگوریتم ژنتیک بهینه شده‌اند جهت طبقه‌بندی عیوب بلبرینگ‌ها استفاده می‌شود. یک معیار انتخاب مقیاس بر اساس نسبت ماکزیمم انرژی نسبی به آنتروپی رنی جهت تعیین مقیاس بهینه در آنالیز موجک استفاده می‌شود. همچنین، مقایسه‌ای بین عملکرد ماشین بردار پشتیبان موجک بهینه و غیربهینه نیز انجام شده است. سیگنال‌های ارتعاشی توسط یک بستر تست شبیه ساز عیوب بیرینگ در وضعیت های مختلف از جمله حالت سالم، عیب در ساچمه، عیب در حلقه خارجی، عیب در حلقه داخلی و عیب ترکیبی بلبرینگ، توسط سنسورهای شتاب‌سنج جمع‌آوری می‌گردد. 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 می گیرد. همچنین به منظور کاهش زمان و بهبود فرآیند تصمیم گیری در عیب‌یابی، با استفاده از روش یوتنس دسته ویژگی بهینه پارامترهای آماری ورودی ماشین بردار پشتیبان موجکی انتخاب می‌گردد. جهت ارزیابی طبقه‌بندی مجموعه داده‌ها از روش ارزیابی تقاطعی استفاده می‌شود. نتایج نشان داد که تبدیل موجک پیوسته مورلت نسبت به دو روش دیگر در پردازش سیگنال‌ها می‌‌تواند عیوب بلبرینگ‌ها را با دقت بالاتری شناسایی کند.