یک روش هوشمند جدید برای شناسایی عیب یاتاقان‌ها بر پایه مفهوم هم‌انباشتگی و انتخاب ویژگی بهینه در شرایط کاری سرعت متغیر با زمان | ||
| مکانیک سازه ها و شاره ها | ||
| مقاله 64، دوره 9، شماره 4، دی 1398، صفحه 41-57 اصل مقاله (826.54 K) | ||
| نوع مقاله: مقاله مستقل | ||
| شناسه دیجیتال (DOI): 10.22044/jsfm.2020.7681.2754 | ||
| نویسندگان | ||
| سعید نظامیوند چگینی* 1؛ محمد باقر سلیم زاده کاکرودی2؛ احمد باقری3 | ||
| 1دکتری، دانشکده مهندسی مکانیک، گروه دینامیک، کنترل و ارتعاشات، دانشگاه گیلان، رشت | ||
| 2کارشناسی ارشد، گروه مهندسی مکانیک، مهندسی مکانیک، موسسه آموزش عالی احرار، رشت | ||
| 3استاد، دانشکده مهندسی مکانیک، گروه دینامیک، کنترل و ارتعاشات، دانشگاه گیلان، رشت | ||
| چکیده | ||
| در این مقاله، یک روش ترکیبی هوشمند جدید برای شناسایی عیب یاتاقان در شرایط سرعت متغیر با زمان پیشنهاد شده است. سیگنال‌های ارتعاشی در دو حالت سالم و رینگ داخلی معیوب در سرعت متغیر با زمان جمع‌آوری شده‌اند. در این مطالعه، از تکنیک تجزیه مود تجربی کلی و روش اثر جوهانسون برای استخراج روابط هم‌انباشته از داده‌های ارتعاشی استفاده شده است. سپس، با بکارگیری روش تبدیل بسته‌ای موجک و ویژگی‌های آماری در حوزه زمان، ماتریس ویژگی متناظر با روابط هم‌انباشتگی محاسبه شده است. در مرحله بعد، از روش ارزیابی جبران فاصله برای انتخاب ویژگی‌های اولیه استفاده شده است. از ویژگی‌های منتخب اولیه به عنوان ورودی طبقه‌بندی کننده ماشین بردار پشتیبان برای پیش‌بینی وضعیت یاتاقان استفاده شده است. در نهایت، پارامترهای بهینه ماشین بردار پشتیبان و مجموعه ویژگی‌های بهینه به کمک الگوریتم بهینه‌سازی ازدحام ذرات باینری تعیین شده‌اند. نتایج به دست آمده نشان می‌دهند که مجموعه ویژگی‌های بهینه به خوبی قادر به تفکیک وضعیت‌های مختلف یاتاقان در سرعت متغیر می‌باشند. مقایسه نتایج این مقاله با دیگر روش‌های عیب‌یابی، دلالت بر توانمندی روش پیشنهادی دارد. | ||
| کلیدواژه‌ها | ||
| عیب‌یابی یاتاقان؛ شرایط کاری متغیر با زمان؛ هم‌انباشتگی؛ استخراج ویژگی؛ انتخاب ویژگی | ||
| مراجع | ||
|
[1] Lei Y, Liu Z, Ouazri J, Lin J (2017) A fault diagnosis method of rolling element bearings based on CEEMDAN. Proc Inst Mech Eng Pt C J Mechan Eng Sci 231(10): 1804-1815.
[2] Song M, Xiao S (2017) A fault diagnosis method of gear based on SVD and improved EEMD. In Intelligent Computing, Networked Control, and Their Engineering Applications, Springer, Singapore 65-74.
[3] Xu F, Wai Tat TSE P, Fang YJ, Liang JQ (2018) A fault diagnosis method combined with compound multiscale permutation entropy and particle swarm optimization–support vector machine for roller bearings diagnosis. Proc Inst Mech Eng J 1350650118788929.
[4] Tabrizi A, Garibaldi L, Fasana A, Marchesiello S (2015) Early damage detection of roller bearings using wavelet packet decomposition, ensemble empirical mode decomposition and support vector machine. Meccanica 50(3): 865-874.
[5] باقری ا، نظامیوند چگینی س، رمضانی دشتمیان م، فرید نجفی (1397) عیب یابی چرخدنده بر پایه انتخاب مناسب ترین ویژگی به کمک الگوریتم بهینه سازی ازدحام ذرات. مکانیک سازهها و شارهها 64-49 :(3)8. [6] Yang CY, Wu TY (2015) Diagnostics of gear deterioration using EEMD approach and PCA process. Measurement 61: 75-87.
[7] Ziani R, Felkaoui A, Zegadi R (2017) Bearing fault diagnosis using multiclass support vector machines with binary particle swarm optimization and regularized Fisher’s criterion. J Intell Manuf 28(2): 405-417.
[8] Fatima S, Mohanty AR, Naikan VNA (2015) Multiple fault classification using support vector machine in a machinery fault simulator. In Vibration Engineering and Technology of Machinery 1021-1031.
[9] Zhang X, Zhang Q, Chen M, Sun Y, Qin X, Li H (2018) A two-stage feature selection and intelligent fault diagnosis method for rotating machinery using hybrid filter and wrapper method. Neurocomputing 275: 2426-2439.
[10] Yin H, Qiao J, Fu P, Xia XY (2014) Face feature selection with binary particle swarm optimization and support vector machine. J Inf Hiding Multimed Signal Process 5(4): 731-739.
[11] Tabrizi AA, Al-Bugharbee H, Trendafilova I, Garibaldi L (2017) A cointegration-based monitoring method for rolling bearings working in time-varying operational conditions. Meccanica 52(4-5): 1201-1217.
[12] Huang W, Kong F, Zhao X (2018) Spur bevel gearbox fault diagnosis using wavelet packet transform and rough set theory. J Intell Manuf 29(6): 1257-1271.
[13] Nezamivand Chegini S, Bagheri A, Najafi F (2019) A new intelligent fault diagnosis method for bearing in different speeds based on the FDAF-score algorithm, binary particle swarm optimization and support vector machine. Soft Comput.
[14] نظامیوندچگینی س، باقری ا، نجفی ف، (1398) روش ترکیبی هوشمند جدید برای عیب‌یابی یاتاقان بر پایه بهبود روش انتخاب ویژگی ارزیابی جبران فاصله و ماشین بردار پشتیبان. مجله مهندسی مکانیک مدرس 875-865 :(4)19. [15] Yan X, Jia M (2018) A novel optimized SVM classification algorithm with multi- domain feature and its application to fault diagnosis of rolling bearing. Neurocomputing 313: 47-64.
[16] Vakharia V, Gupta VK, Kankar PK (2016) Bearing fault diagnosis using feature ranking methods and fault identification algorithms. Procedia Eng 144: 343-350.
[17] Attoui I, Fergani N, Boutasseta N, Oudjani B, Deliou A (2017) A new time–frequency method for identification and classification of ball bearing faults. J Sound Vib 397: 241-265.
[18] Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, Yen NC, Tung CC, Liu HH (1998) The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc R Soc Lond A Math Phys Sci 454 (1971): 903-995.
[19] Wu Z, Huang N (2009) Ensemble empirical mode decomposition: a noise – assisted data analysis method. Adv Adapt Data Anal 1(1): 1-41.
[20] Johansen S (1995) Likelihood-based inference in cointegrated vector autoregressive models. Oxford University Press, Oxford.
[21] Dong S, Sun D, Tang B, Gao Z, Yu W, Xia M (2014) A fault diagnosis method for rotating machinery based on PCA and Morlet kernel SVM. Math Probl Eng.
[22] Yaguo L, Zhengjia H, Yanyang Z, Xuefeng C (2008) New clustering algorithm-based fault diagnosis using compensation distance evaluation technique. Mech Syst Signal Pr 22: 419-435.
[23] Vapnik V (1995) The nature of statistical learning theory. Springer Verlag, New York.
[24] Shi Y, Eberhart R (1998) A modified particle swarm optimizer. In: The 1998 IEEE International Conference on Evolutionary Computation Proceedings, Anchorage, AK 69-73.
[25] Nezamivand Chegini S, Bagheri A, Najafi F (2018) PSOSCALF: A new hybrid PSO based on sine cosine algorithm and Levy flight for solving optimization problems. Appl Soft Comput. | ||
|
آمار تعداد مشاهده مقاله: 1,474 تعداد دریافت فایل اصل مقاله: 1,102 |
||