فهرست نشریات علمی دسترسی آزاد ایران

خرابی یاتاقان‌ها یکی از عوامل اصلی ازکارافتادگی در تجهیزات دوّار محسوب می‌شود. ازاین‌رو، نیاز به روش‌های مؤثر برای شناسایی به‌موقع عیوب یاتاقان‌ها با هدف جلوگیری از خرابی‌های ناگهانی ماشین‌آلات، به طور فزاینده‌ای در حال افزایش است. مطالعات پیشین، روش‌هایی همچون اندازه‌گیری دما و پایش ارتعاشات را برای تشخیص خرابی مورد بررسی قرار داده‌اند، اما این رویکردها به دلیل حساسیت بالا به نویز، با محدودیت‌هایی مواجه‌اند. در نتیجه، پژوهشگران به بهره‌گیری از تحلیل سیگنال‌های صوتی روی آورده‌اند. در میان روش‌های نوین، ضرایب کپسترال فرکانس مل، طیف‌نگارهای صوتی، و شبکه‌های عصبی پیچشی دوبعدی، توجه زیادی را به خود جلب کرده‌اند. بااین‌حال، روش‌های مبتنی بر ضرایب کپسترال فرکانس مل به نرخ نمونه‌برداری بالا و پهنای باند فرکانسی گسترده‌ای نیاز دارند. در این پژوهش، روشی مبتنی بر طیف‌نگاری پیشنهاد شده است که تمرکز بر استخراج ویژگی‌های فرکانسی و کاهش نویز از طریق فیلترگذاری و مدل‌سازی خرابی توسط یک شبکه عصبی پیچشی بهینه‌شده متصل دارد. در این روش، ابتدا طیف‌نگاری با تمرکز بر یک باند فرکانسی باریک، تصاویر با وضوح پایین تولید می‌کند. این تصاویر توسط یک شبکه عصبی پیچشی شامل لایه‌های کانولوشنی و لایه‌های کاملاً متصل پردازش می‌شوند. نتایج آزمایش‌ها نشان می‌دهند که سیستم پیشنهادی بادقت 88/99% و پیچیدگی محاسباتی کاهش‌یافته، عملکرد قابل‌توجهی دارد. شبکه عصبی بهینه‌شده دارای 77/622 کیلوبایت پارامتر و 106×53/1 عملیات ممیز شناور در ثانیه است. این سامانه تشخیص خرابی حتی در شرایط متغیر سرعت دوران و نرخ نمونه‌برداری پایین نیز عملکرد مؤثری از خود نشان می‌دهد.