عنوان پایان‌نامه
کاربرد ماشین بردار پشتیبان و الگوریتم ژنتیک در عیب یابی دنده کمک تراکتور مسی فرگوسن ۲۸۵ با استفاده از داده های ارتعاشی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشینهای کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6204;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66562
- تاریخ دفاع
- ۲۸ دی ۱۳۹۳
- دانشجو
- محمد ملائی
- استاد راهنما
- محمود امید, حجت احمدی
- چکیده
- امروزه صنعت بربخش بزرگی ازفعالیت‌های جوامع گوناگون حاکم شده و اکثرجوامع کم وبیش درسلک صنعتگران درآمده‌اند. سیستم‌های پایش وضعیت تجهیزات صنعتی به عنوان یک راهکارسودمند برای شناسایی انواع عیوب درماشین‌آلات صنعتی که نیازمنددقت بالایی درنگهداری هستند،مورداقبال می‌باشند.این سیستم‌ها توانایی تشخیص عیوب خطرناک راپیش ازوقوع خرابی دردستگاه ویاایجادمصدومیت برای کاربرفراهم می‌آورند. یکی ازپرکاربرد‌ترین قطعاتصنعتی،جعبه‌دنده‌هاو علی‌الخصوص چرخ‌دنده‌ها می‌باشند. دنده‌کمک مورد استفاده در تراکتور مسی فرگوسن 285 که بعد از جعبه‌دنده اصلی قرار گرفته است از نوع جعبه‌دنده سیاره‌ایی می‌باشد.ازمیانروش‌های تحلیل در حوزه‌یزمان -فرکانسمختلف،تبدیل موجک که ازطریقیکسریعملیاتکانولوشنبینسیگنالموردارزیابیوموجک پایه،اطلاعاتیدربارهسیگنالدرحوزهزمان-مقیاساستخراجمیکند که به عنوان یک پیش‌پردازش مورد استفاده قرار گرفت. نوع موجک مادر استفاده‌شده موجک (db4) می‌باشد که سیگنال اصلی تبدیل به چندین سیگنال جزییات و تقریب می‌شود سپس از سیگنال‌های پیش‌پردازش شده ویژگی‌های لازم گرفته شده و به عنوان ورودی به ماشین بردار پشتیبان معرفی شدند تابع کرنل استفاده‌شده در ماشین بردار پشتیبان از نوع تابع هسته RBF بود که پارامترهای ماشین بردار پشتیبان به منظور عملکرد بهتر با استفاده از الگوریتم ژنتیک بهینه شدند تا دقت طبقه‌بندی افزایش یابد. در مجموع 6 نوع عیب و یک حالت سالم در مجموعه چرخ‌دنده سیاره‌ایی مورد بررسی قرار گرفت که هر کدام از عیب‌ها در دو جهت محوری(A) و عمودی (V)و در سه سرعت کاری موتور (600، 1300و rpm 2000) و با 20 تکرار برای هر حالت مورد آزمایش قرار گرفت. عمل طبقه بندی با 7 کلاس صورت پذیرفت که بالاترین دقت طبقه بندی برای سرعت rpm2000و در جهت عمودی به دست آمده که برابر با 23/95 درصد می‌باشدبا مطالعه طبقه‌بندی‌ها به این نتیجه می‌رسیم که با افزایش سرعت موتور دقت طبقه‌بندی نیز افزایش می‌یابد به عبارت دیگر ترکیب ماشین بردار پشتیبان و الگوریتم ژنتیک در این تحقیق قادر به طبقه‌بندی بهتر عیوب در سرعت‌های بالای کاری موتور می‌باشد و همچنین داده‌های ثبت‌شده در جهت عمودی مفیدتر از داده‌های ثبت‌شده‌ی جهت محوری برای تشخیص عیوب می‌باشند.
- Abstract
- Nowadays, industry is dominated by a large part of the activities of various communities and most societies have become more or less as the group of craftsmen.Industrial equipment condition monitoring systems, as a useful approachto identify different types of errors, are proved to be highly valuable in industrial machinery which requires high accuracy in maintenance process. These systems are able to detect dangerous faults before the occurrence of failure in the system or injury to the target users.One of the most widely used industrial partsis gearbox specially gears.Gear used in Massey Ferguson tractor285-model which is located after the main gearboxis a planetary gearbox. Among different time – frequency methods, wavelet transformation extractsinformation about the signaltime scalethrough a series of convolution operationbetween the measured signals and the basis wavelet which was used as a pre-processing. The used mother wavelet is (db4) in which the original signal isswitched to multiple details signals;thenit features are taken frompre-processed signals and they were introduced tosupport vector machinesas input. Kernel function used here inthe support vector machine is RBF in which the parameters of support vector machine were optimized using Genetic Algorithm for better performance to increase the accuracy of classification.Overall, 6 defectsand a healthy statewere examined for the planetary gear set and foreach of the imperfections in the axial direction of (A) and verticaldirection of (V) in three engineswith working speeds of (600, 1300 and 2000 rpm) and with 20 repetitions for each condition was tested.Classification procedure wasdone with 7 classes in which the highest classification accuracy was obtainedfor speed of 2000rpmin the vertical direction (V) which equal 95.23percent. Having reviewed the classification, we conclude that the more engine speed, the higher accuracy classification. In other words, combining support vector machine and genetic algorithms,in this study, can better classify thedefects at high speeds of working engine. Also, data recordedin the vertical direction aremore useful than the data recorded in axial direction to detect flaws.
