مقایسه روش­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در طبقه­بندی عیوب فن هوا و آنالیز ارتعاشی تجربی

مقایسه روش­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در طبقه­بندی عیوب فن هوا و آنالیز ارتعاشی تجربی


مقایسه روش­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در طبقه­بندی عیوب فن هوا و آنالیز ارتعاشی تجربی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: مقایسه روش­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در طبقه­بندی عیوب فن هوا و آنالیز ارتعاشی تجربی

ارائه دهنده: Provider: سجاد خلیلی راد

اساتید راهنما: Supervisors: دکتر مهدی کریمی

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر رحمت سیفی - دکتر علیرضا شوشتری

زمان و تاریخ ارائه: Time and date of presentation: دوشنبه 7 مهر ساعت 14-16

مکان ارائه: Place of presentation: سالن آمفی تئاتر1

چکیده: Abstract: در این پایان نامه، پایش وضعیت سیستم فن خنک کننده موجود در واحد 109A فاز 13 رجب پارس جنوبی با روش آنالیز ارتعاشی مورد بررسی قرار گرفته است. روش¬های ارائه شده شامل 7 مرحله، داده برداری، پردازش سیگنال، محاسبه ویژگی، استخراج ویژگی، انتخاب ویژگی، طبقه بندی با استفاده از ماشین بردار پشتیبان و طبقه بندی با استفاده از شبکه عصبی می¬باشد. ابتدا با استفاده از سنسور شتاب سنج سیگنال¬های ارتعاشی مربوط به حالت¬های سالم، نابالانسی، خرابی بیرینگ، عدم هم¬میزانی تسمه و پولی، ترکیب خرابی بیرینگ و نابالانسی، ترکیب خرابی بیرینگ و عدم هم محوری تسمه و پولی برداشته شد و در نرم افزار SpectraPro برای تحلیل داده¬ها ذخیره شد. سیگنال زمانی اخذ شده از هر حالت را به 10 زیرمجموعه تقسیم کرده بنابراین از هر حالت 10 تا FFT به دست می¬آید حال از 12 ویژگی آماری (شامل: ریشه میانگین مربعات، میانگین، میانگین هندسی، میانگین هارمونیک، انحراف معیار استاندارد، چولگی، کورتوسیس، پیک، مجموع، ضریب اوج، ضریب شکل، ضریب ضربه) در بعد زمان و 12ویژگی آماری در بعد فرکانس و 2 ویژگی آنتروپی (آنتروپی جایگشت، آنتروپی تقریبی) در بعد زمان برای استخراج ویژگی استفاده شده است. مجموع 26 ویژگی به دست آمده با استفاده از روش¬های آماری، به 6 ویژگی توسط روش کاهش بعد ICA و 6 ویژگی توسط روش کاهش بعد LDA محدود شد در ادامه با استفاده از روش انتخاب ویژگی معیار فاصله 2 تا از بهترین ویژگی¬های ICA و 2 تا از بهترین ویژگی¬های LDA جهت تشکیل ماتریس ورودی شبکه¬های هوشمند استفاده شده است. در نهایت یک ماتریس 60×4 به دست آمد که از 60 درصد این داده¬ها برای آموزش و 40 درصد دیگر برای تست الگوریتم¬های طیقه¬بندی استفاده شده شده است و دقت عملکرد هر دو الگوریتم بسیار نزدیک به هم شد. در حالت تست صحت عملکرد شبکه عصبی MLP، 2/88 و صحت عملکرد ماشین بردار پشتیبان با تابع کرنل پایه شعاعی 84/95شد. الگوریتم هوشمند ارائه شده جهت صحه سنجی با مرجع]56[ (داده¬های آزمایشگاهی دانشگاه کیس وسترن رزرو آمریکا) نیز برای مقایسه با نتایج صنعتی بررسی شد. به این منظور هر سیگنال زمانی مربوط به حالت¬های نرمال، کنس خارجی معیوب، کنس داخلی معیوب و ساچمه معیوب را به 50 قسمت تقسیم کرده و 50 تا FFT گرفته شد و با استفاده 26 ویژگی آماری بیان شده و اعمال روش¬های ICA و LDA به عنوان ورودی به الگوریتم¬های هوشمند، دقت تست شبکه عصبی و ماشین بردار پشتیبان 100 درصد شد که نشان دهنده مقبولیت روش استفاده شده می¬باشد. طبق نتایج الگوریتم¬های بررسی شده ترکیب LDA و ICA با ماشین بردار پشتیبان به¬عنوان یک جایگزین مطمئن در عیب¬یابی هوشمند آینده پیشنهاد می¬شود. واژه¬های کلیدی: آنالیز ارتعاشی، فن خنک کننده، تحلیل سیگنال حوزه فرکانس و زمان، استخراج ویژگی ICA، استخراج ویژگی LDA، شبکه عصبی، ماشین بردار پشتیبان

فایل: ّFile: