عیب یابی بلبرینگ ها با استفاده از تبدیل موجک و ماشین بردار پشتیبان مورلت و مقایسه آنها با تجزیه مود تجربی

در این مقاله، مقایسه ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته ای و تبدیل موجک پیوسته مورلت در تشخیص عیوب مختلف بیرینگ ها انجام شده است. در همین راستا از ماشین بردار پشتیبان با هسته موجک مورلت و استراتژی یکی در مقابل یکی که پارامترهای آن به کمک الگوریتم ژنتیک بهینه شده اند جهت طبقه بندی عیوب بلبرینگ ها استفاده می شود. یک معیار انتخاب مقیاس بر اساس نسبت ماکزیمم انرژی نسبی به آنتروپی رنی جهت تعیین مقیاس بهینه در آنالیز موجک استفاده می شود. همچنین، مقایسه ای بین عملکرد ماشین بردار پشتیبان موجک بهینه و غیربهینه نیز انجام شده است. سیگنال های ارتعاشی توسط یک بستر تست شبیه ساز عیوب بیرینگ در وضعیت های مختلف از جمله حالت سالم، عیب در ساچمه، عیب در حلقه خارجی، عیب در حلقه داخلی و عیب ترکیبی بلبرینگ، توسط سنسورهای شتاب سنج جمع آوری می گردد. بعد از پردازش و تجزیه سیگنال ها به مولفه های فرکانسی آنها، چند ویژگی آماری از هر مولفه فرکانسی استخراج و بعنوان ورودی ماشین بردار پشتیبان، جهت تفکیک کلاس ها از یکدیگر مورد استفاده قرار می گیرد. همچنین به منظور کاهش زمان و بهبود فرآیند تصمیم گیری در عیب یابی، با استفاده از روش یوتنس دسته ویژگی بهینه پارامترهای آماری ورودی ماشین بردار پشتیبان موجکی انتخاب می گردد. جهت ارزیابی طبقه بندی مجموعه داده ها از روش ارزیابی تقاطعی استفاده می شود. نتایج نشان داد که تبدیل موجک پیوسته مورلت نسبت به دو روش دیگر در پردازش سیگنال ها می تواند عیوب بلبرینگ ها را با دقت بالاتری شناسایی کند.