عنوان پایان‌نامه
تشخیس عیوب یک سستم چرخدندهای به کمک روش های مبتنی بر هوش مصنوعی
- رشته تحصیلی
- مهندسی مکانیک طراحی کاربردی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1549;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41139;کتابخانه پردیس 2 فنی شماره ثبت: 1549;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41139
- تاریخ دفاع
- ۲۳ شهریور ۱۳۸۷
- دانشجو
- علی سلیمانی
- استاد راهنما
- محمد محجوب
- چکیده
- در این پژوهش عیب یابی سیستم چرخ دنده ای با استفاده از پردازش سیگنال ارتعاشی و روش های مبتنی بر هوش مصنوعی صورت گرفته است. سیگنال های ارتعاشی از یک جعبه دنده در وضعیت های سالم، سائیدگی کم، سائیدگی متوسط و شکستگی یک دندانه گرفته شده است. این سیگنال ها با استفاده از روش میانگین گیری همزمان هم بعد شده اند. سپس با استفاده از روش های مختلف پردازش سیگنال حوزه زمان، فرکانس و زمان- فرکانس تعداد زیادی ویژگی از این سیگنال ها استخراج شده است. موثرترین ویژگی ها که حاوی اطلاعات بیشتری از وضعیت جعبه دنده می باشند با استفاده از یک روش انتخاب ویژگی، تعیین شده اند. این ویژگی های انتخاب شده به عنوان ورودی به سیستم های مختلف طبقه بندی داده شده اند. خروجی این روش ها وضعیت جعبه دنده را مشخص می کند. روش های مختلف طبقه بندی بکار رفته در این پژوهش عبارتند از: k- نزدیک ترین همسایه، ماشین بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS). نتایج نشان می دهد که روش k- نزدیک ترین همسایه، کمترین هزینه محاسباتی و بیشترین خطا و روش ANFIS بیشترین هزینه محاسباتی و کمترین خطا را دارد. در این بین روش SVM با هزینه محاسباتی متوسط دارای خطای نسبتا کمی می باشد.
- Abstract
- Fault detection of a gearing system is studied here using vibration signal processing and artificial intelligence techniques. Vibration signals are segmented into the signals recorded over one complete revolution of the input shaft (using tachometer information) and then synchronized to construct the sample signals with same lengths. The feature vector is extracted from vibration signals by time, frequency and time-frequency techniques. A feature selection technique based on Euclidian distance is utilized along with five salient features selected from the original feature set. These features are then fed into classification algorithms. The gear conditions considered are: healthy gear, slightly worn, medium worn and broken-teeth gear faults. Four classifiers are used to detect and classify the gear conditions. These are k-Nearest Neighbor (kNN), Neural Networks (NNs), Support Vector Machine (SVM) and Adaptive Network-based-Fuzzy Inference System (ANFIS). The output of these classifiers indicates the status of the gear assembly by four labels. The results show that ANFIS gives the best performance with 100% accuracy.
