فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش عیب لقی محوری میل بادامک در موتور احتراق داخلی در انتهای خط تولید و در مرحله تست گرم به کمک پردازش سیگنال‌های صوتی تشخیص داده می‌شود. اهمیت انجام این پژوهش کاهش هزینه برای شرکت سازنده و رضایت مشتریان از کیفیت محصول می‌باشد. عیب مذکور در این خط تولید رایج است و کارشناسان تشخیص عیب قادر به شناخت این عیب به کمک روش‌های سنتی نمی‌باشند. در این پژوهش به کمک روش‌های پردازش سیگنال حوزه زمان-فرکانس و شبکه عصبی مصنوعی یک راه حل هوشمند در جهت تشخیص این عیب پیشنهاد شده است. لقی محوری در سطوح مختلف شدت عیب پیاده‌سازی شده و سیگنال‌های صوتی در سه دور کاری مختلف موتور و در حالت بی‌باری، به کمک یک دستگاه ضبط صدا دستی ثبت شده است. موتور‌ها در این خط به مدت هفت ‌دقیقه و سه دور کاری1700،1300و2500(د.د.د) تست می‌شوند تا از سلامت آنها اطمینان حاصل کنند. استفاده از دستگاه ضبط صدا دستی به علت درخواست شرکت سازنده در جهت استفاده از یک دستگاه قابل حمل و ارزان قیمت بوده است. لازم به ذکر است که داده‌های صوتی ضبط شده به علت شرایط کاری خط دارای نویز بوده و این موضوع باعث پیچیدگی امر عیب‌یابی می‌شود. در جهت پردازش سیگنال و استخراج ویژگی از دو تبدیل موجک پیوسته و طیف نگار مل استفاده شده است. نتایج نشان می‌دهد که طیف‌نگار مل جهت استخراج ویژگی کارآمدتر از روش تبدیل موجک پیوسته است و در دورهای کاری 1700(د.د.د) و 2500(د.د.د) تمام سطوح عیب با دقت میانگین 99% تشخیص داده می‌شود. این مطالعه به حوزه تشخیص غیرمخرب خطا در تولید موتور کمک می‌کند و روشی قابل اعتماد و مقرون به صرفه برای شناسایی نقص‌های لقی محوری میل‌بادامک ارائه می‌دهد. دقت بالای به دست آمده در سرعت‌های عملیاتی خاص نشان می‌دهد که این رویکرد می‌تواند در محیط‌های تولید واقعی پیاده‌سازی شود و احتمالاً منجر به بهبود قابل توجهی در فرآیندهای کنترل کیفیت و قابلیت اطمینان کلی محصول شود. موفقیت این روش، پتانسیل تکنیک‌های پردازش سیگنال صوتی و یادگیری ماشین را در حل چالش‌های پیچیده کنترل کیفیت صنعتی برجسته می‌کند.