طراحی سیستم تشخیص عیوب گیربکس خودروی تندر 09 با استفاده از آنالیز موجک سیگنال صوتی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، جمهوری اسلامی ایران

2 کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، جمهوری اسلامی ایران

چکیده

گیربکس ‌ها در طول فرایند ساخت، مونتاژ و یا بهره ‌برداری ممکن است دچار عیب گردند در کارخانه ‌های تولید گیربکس، تعیین گیربکس‌ های معیوب جهت جلوگیری از ورود آن‌ها به چرخه مصرف اهمیت فراوانی دارد. در این پژوهش به عیب ‌یابی هوشمند گیربکس خودرو تندر90 با استفاده از آنالیز سیگنال ‌های صوتی پرداخته شده است. ابتدا استخراج ویژگی، از سیگنال ‌های پردازش ‌شده در هر سه حوزه انجام گرفت؛ و پس از آن با استفاده از روش آزمون و خطا و همچنین روش استنباط آماری تی ویژگی‌ های مطلوب جهت استفاده در طبقه ‌بندی انتخاب شد. سپس با استفاده از روش‌ های مختلف طبقه ‌بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان، روند هوشمند ­سازی عیب ‌یابی انجام گرفت. نتایج نشان داد که روش کلاس ­بندی ماشین بردار پشتیبان با تبدیل گسسته موجک، روی داده ­های پردازش شده، دارای خطای متوسط کمتر از 9درصد هست. که این خطا نسبت به خطای سایر روش ­ها در این آزمایش کمتر هست.

کلیدواژه‌ها

موضوعات


[1] Lymariev, I., Subbotin, S., Oliinyk, A., and Drokin, I., "Diagnostic Signal Nonstationarity Reduction to Predict the Helicopter Transmission State on the Basis of Intelligent Information Technologies." In CEUR Workshop Proceedings, pp. 510-522, (2019).
[2] Samanta, B., and Al-Balushi, K., "Artificial Neural Network Based Fault Diagnostics of Rolling Element Bearings using Time-domain Features", Mechanical Systems and Signal Processing, Vol. 17, pp. 317-328, (2003).
[3] Barbieri, N., Barbieri, G.de.S.V., Martins, B.M., and Barbieri, L.de.S.V., "Damage Analysis in Automotive Gearbox", Procedia Engineering, Vol. 199, pp. 1858-1863, (2017).
[4] Parey, A., and Singh, A., "Gearbox Fault Diagnosis using Acoustic Signals, Continuous Wavelet Transform and Adaptive Neuro-fuzzy Inference System", Applied Acoustics, Vol. 147,
pp. 133-140, (2019).
[5] Peng, Z., and Chu, F., "Application of the Wavelet Transform in Machine Condition Monitoring and Fault Diagnostics: A Review with Bibliography", Mechanical Systems and Signal Processing, Vol. 18, pp. 199-221, (2004).
[6] Peter , W.T., and Peng, Y., "Wavelet Analysis and Envelope Detection for Rolling Element Bearing Fault Diagnosis—Their Effectiveness and Flexibilities", Journal of Vibration and Acoustics, Vol. 123, pp. 303-310, (2001).
[7] Nezamivand Chegini, S., Bagheri, A., and Najafi, F., "A New Hybrid Intelligent Technique Based on Improving the Compensation Distance Evaluation Technique and Support Vector Machine for Bearing Fault Diagnosis", Modares Mechanical Engineering, Vol. 19(4), pp. 865-875, ( 2019).
[8] Hill, P.C., "Dennis Gabor-contributions to Communication Theory and Signal Processing", In EUROCON 2007-The International Conference on Computer as a Tool, doi.org/10.1109/EURCON.2007.4400546, Sept. 9-12, Warsaw, Poland, pp. 2632-2637, (2007).
[9] Mirtavousi, A., "Wavelet Toolbox in Matlab", 3rd Edition, Tehran, Galam Mehrgan, pp. 50-55, (2017).
[10] Demuth, H., and Beale, M., "Neural Networks Toolbox for use with MATLAB" 3rd Edition, pp. 740-763, (1994).
[11] Widodo, A., and Yang, B.S., "Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis", Mechanical Systems and Signal Processing, Vol. 21(6), pp. 2560-2574, (2007).
[12] Tabrizi, A.A,. Al-Bugharbee, H., Trendafilova, I., and Garibaldi, L., "A Cointegrationbased Monitoring Method for Rolling Bearings Working in Time-varying Operational Conditions", Meccanica, Vol. 52(4-5), pp. 1201-1217, (2017).
[13] pirrozbakht, M., "Trainning Algorithm Forecasting Accuracy", Second Edition, Tehran Mojak Publication, (2017).