عیب یابی و پایش وضعیت بلوئر لکوموتیوهای آلستوم با استفاده از آنالیز ارتعاشات و ماشین بردار پشتیبان

آنالیز ارتعاشات از کاربردی‌ترین روش‌های پایش وضعیت و عیب‌یابی تجهیزات دوار است‌. در این تحقیق با استفاده از آنالایزر ارتعاشات و الگوریتم ماشین بردار پشتیبان روشی جهت پایش وضعیت و عیب‌یابی بلوئر لکوموتیوهای آلستوم ارائه شده است. جهت انجام این تحقیق ابتدا از بلوئرها داده‌برداری ارتعاشی شده و سیگنال‌های دریافتی در چهار گروه بلوئرهای سالم و با عیوب نابالانسی، لقی‌پایه و تاب‌پره دسته‌بندی شدند. سپس از سیگنال‌های دریافتی تعداد 16 ویژگی فرکانسی و زمانی استخراج شدند. در سیستم‌های دوار توجه به نسبت شدت ارتعاشات در هارمونیک‌های دور تجهیز، می‌تواند به فرایند تشخیص عیب کمک کند، بنابراین نسبت تمام ویژگی‌ها به هم محاسبه و به عنوان ویژگی‌های جدید تعریف شدند. تعداد زیاد ویژگی در بعضی مواقع باعث پایین آمدن دقت شبکه می‌شود‌، به همین دلیل داخل الگوریتم ماشین بردار پشتیبان یک فیلتر آزمون تی، جهت انتخاب ویژگی، قرار داده شد. نتایج به دست آمده نشان می‌دهد، فیلتر آزمون تی باعث افزایش دقت طبقه‌بندی الگوریتم ماشین بردار پشتیبان می‌شود. در انتها عملکرد انتخاب ویژگی این شبکه با انتخاب ویژگی توسط الگوریتم ژنتیک مقایسه شده که نتایج نشان می‌دهد در طبقه‌بندی عیوب بلوئر، شبکه‌ی طراحی شده در این تحقیق عملکرد بهتری در انتخاب ویژگی نسبت به الگوریتم ژنتیک دارد.

monitoring and troubleshooting alstom locomotive blowers using vibration analysis and support vector machine

vibration analysis is one of the most practical methods for monitoring and troubleshooting rotating equipment. in this research, vibration analysis and support vector machine algorithms were used for monitoring and troubleshooting alstom locomotive blowers. first, vibration data were collected from the blowers and the received signals were categorized into four groups: healthy blowers and blowers with problems of unbalance, loose shaft (base), and warped blades. sixteen frequency and time features were then extracted from the received signals. because in rotating systems, the ratio of the intensity of vibrations in the harmonics of the rotation of the machine can help diagnose the faults, the ratios of all features were calculated and defined as new features. the accuracy of the network can be sometimes lowered by the multitude of features, thus, a t-test filter was inserted into the support vector machine algorithm to select the features. the results show that the t-test filter increased the accuracy of the support vector machine algorithm. finally, the feature selection of this network was compared with the feature selection by the genetic algorithm. the results show that the network designed in this research has a better performance in feature selection than the genetic algorithm.