آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 922 |
| تعداد مقالات | 11,031 |
| تعداد مشاهده مقاله | 11,621,736 |
| تعداد دریافت فایل اصل مقاله | 10,675,070 |
عیب‌یابی چند کلاسه برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته | ||
| مهندسی مکانیک دانشگاه تبریز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 24 آذر 1399 | ||
| نوع مقاله: پژوهشی کامل | ||
| نویسندگان | ||
سعید نظامیوند چگینی1؛ احمد باقری   2؛ میلاد رمضانی دشتمیان3؛ بهمن احمدی4
| ||
| 1گروه دینامیک، کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت | ||
| 2دانشگاه گیلان | ||
| 3گروه مهندسی مکانیک، موسسه آموزش عالی احرار، رشت | ||
| 4گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| عیب‌یابی چرخ‌دنده‌ها به کمک روش‌های هوشمند یکی از موضوعات رایج در تحقیقات اخیر می‌باشد. در این مقاله، روش ترکیبی جدیدی بر پایه‌ی تبدیل موجک گسسته، استخراج ویژگی در حوزه زمان و ماشین بردار پشتیبان چند کلاسه (Multi-SVM) ارایه شده است. سیگنال‌های ارتعاشی در سه حالت سالم، لب‌پریدگی و ساییدگی دندانه جمع‌آوری شده‌اند. این سیگنال‌ها به کمک روش تبدیل موجک گسسته با توابع موجک مختلف تجزیه شده و مناسب-ترین سطح تجزیه به کمک مفهوم همبستگی متقابل انتخاب شده‌اند. با به کارگیری توابع آماری مختلف در حوزه‌ی زمان، بردار ویژگی متناظر با هر نمونه سیگنال استخراج شده است. برای تعیین وضعیت جعبه‌دنده از روش SVM از نوع «یک در برابر یک» استفاده شده است. شناسایی وضعیت یک جعبه‌دنده وابسته به نوع ویژگی‌های استخراج شده و چگونگی تنظیم پارامترهای SVM می‌باشد. از این رو، در این مطالعه برای شناسایی حساس‌ترین ویژگی‌ها به حضور عیب و نوع آن و تعیین پارامترهای بهینه روش SVM از الگوریتم بهینه‌سازی ازدحام ذرات استفاده شده است. نتایج نشان می‌دهند که با بهبود ماتریس ویژگی و روش طبقه‌بندی SVM، دقت شناسایی شرایط جعبه‌دنده به طور قابل ملاحظه‌ای افزایش می‌یابد. | ||
| کلیدواژه‌ها | ||
| عیب‌یابی؛ تبدیل موجک؛ استخراج ویژگی؛ ماشین بردار پشتیبان چند کلاسه؛ الگوریتم بهینه‌سازی ازدحام ذرات | ||
|
آمار تعداد مشاهده مقاله: 43 |
||
