تحلیل خرابی‌های کوپلینگ با داده‌های پایش وضعیت با رویکرد یادگیری ماشین

نویسندگان

1 دانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرس

2 دانشگاه تربیت مدرس، دانشکده مهندسی صنایع و سیستم‌ها،گروه سیستم‌های اقتصادی و اجتماعی

3 دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران

doi
10.48313/jqem.2024.212638
چکیده

کوپلینگ‌ها در صنعت کاربرد بسیاری داشته و این تجهیزات با توجه به چرخش مداوم، همیشه در معرض خرابی هستند. ‏تجزیه‌وتحلیل ارتعاش یک تکنیک مناسب برای تحلیل خرابی‌ها و تشخیص حالات خرابی تجهیزات دوار است. هدف این پژوهش تحلیل ‏خرابی‌های رخ‌داده در یک کوپلینگ است که داده‌های آن در حالت عادی و سه حالت نقص با چهار سنسور متصل به کوپلینگ ‏جمع‌آوری‌شده است. بدین منظور دو نوع استخراج ویژگی متفاوت استفاده‌شده و همچنین از هفت الگوریتم یادگیری ماشین و یک ‏الگوریتم یادگیری عمیق برای طبقه‌بندی حالات بهره برده شده است. در این پژوهش به بررسی کارکرد هر کدام از الگوریتم‌های ‏پیاده‌سازی شده و اهمیت ویژگی‌های استخراجی پرداخته و به بررسی نقش سنسورها و بررسی اهمیت آن‌ها برای کاهش تعداد سنسور‌ها ‏پرداخته‌شده است. از نتایج این پژوهش می‌توان به تعیین اهمیت بالای ویژگی‌های حوزه فرکانس در دقت مدل‌های اجراشده و همچنین ‏کارایی بالای دو عدد از سنسور‌ها برای طبقه‌بندی اشاره نمود.‏