پایش وضعیت کمپرسورهای رفت و برگشتی با استفاده از شبکه عصبی احتمالی و بهینه سازی با الگوریتم ژنتیک

در این پژوهش، مدل ریاضی یک کمپرسور رفت و برگشتی دو مرحله ای و عیوب مرسوم برای استفاده به عنوان سیستم مورد پایش، شبیه سازی شده است. شبکه عصبی مورد استفاده شبکه عصبی احتمالی است که وظیفه اصلی آن طبقه بندی است. کلاس های طبقه بندی شامل یک کلاس کمپرسور سالم و هفت کلاس کمپرسور معیوب است که مجموعا هشت کلاس می باشد. طبقه بندی با شبکه عصبی احتمالی با استفاده از ویژگی های حوزه زمان و طیف پوش فرکانس انجام گرفته شده است. سپس با استفاده از الگوریتم ژنتیک ویژگی های انتخابی قبل از خوراندن به شبکه عصبی احتمالی بهینه سازی شده اند. طبقه بندی با شبکه عصبی احتمالی با استفاده از ویژگی های حوزه زمان درصد طبقه بندی ضعیفی با دقت 44درصد را نشان می دهد. اما طبقه بندی با شبکه عصبی احتمالی و استفاده از ویژگی های طیف پوش دقت 95 درصدی در طبقه بندی صحیح دارد. همچنین بهینه سازی انتخاب ویژگی های آماری حوزه زمان و طیف پوش فرکانس با الگوریتم ژنتیک، به ترتیب 48 و 99 درصد دقت صحیح در طبقه بندی را به همراه دارد.