مدل مبتنی بر یادگیری جمعی برای ترکیب داده‌های ارتعاشی چند حسگر در عیب‌یابی جعبه‌دنده

در پژوهش حاضر سیگنال‌های ثبت شده از یک جعبه‌دنده آزمایشگاهی به‌منظور شناسایی وضعیت سلامت و نوع عیوب، توسط الگوریتم نوین پیشنهاد شده مبتنی بر یادگیری جمعی (الهام گرفته شده از الگوریتم جنگل تصادفی) مورد مطالعه قرار گرفته است. به همین جهت، یک جعبه‌دنده آزمایشگاهی یک مرحله‌ای طراحی و ساخته شده و در چهار وضعیت سلامت مختلف با شرایط کاری متنوع آزمایش شده است. ارتعاشات در 6 نقطه-جهت ثبت گردیده و در مجموع 792 سیگنال اندازه‌گیری شده است. برای داده‌های ثبت شده توسط هر حسگر یک طبقه‌بند ماشین بردار پشتیبان با کرنل خطی آموزش داده شده و دقت تشخیص عیوب توسط داده‌های هر یک از حسگر‌ها (به صورت جداگانه) استخراج و مقایسه شده است. سپس یک الگوریتم جدید برای ترکیب داده‌های 6 حسگر توسعه داده شده است. نتایج نشان می‌دهد که الگوریتم پیشنهادی دقت تشخیص بالاتری نسبت به طبقه‌بندهای ساخته شده از هر حسگر‌ دارد. همچنین روشی برای محاسبه سطح اطمینان تشخیص الگوریتم پیشنهادی نیز ارائه گردیده است. نشان داده شده است که روش پیشنهادی می‌تواند با در دست داشتن داده‌های کمتر (هر تعداد حسگر از مجموع 6 حسگر) نیز برای هدف عیب‌یابی به کار رود و در این صورت، مطابق انتظار دقت و سطح اطمینان تشخیص‌های آن کاهش می‌یابد.

ensemble learning based model for multi-sensor vibration data fusion in gearbox diagnosis

this study investigates recorded vibration signals from a laboratory gearbox to assess health condition and identify fault types, using a proposed ensemble-based machine learning algorithm. a single-stage gearbox was designed and tested in laboratory under four healththe  states: no faults, tooth root crack, tooth breakage, and pitting on the tooth, across varying loads and speeds. vibration was recorded at six points. totally 792 signals (6 signals from 132 tests) were collected. for the data from each sensor, a support vector machine (svm) classifier with a linear kernel was trained. next, fault detection accuracy was assessed and compared for each transducer individually. a new data fusion algorithm, inspired by random forest (rf), was developed to combine data from the six sensors. the results showed that the proposed ensemble algorithm provides higher detection accuracy rather than the individual classifiers for each sensor. in addition, a novel method is introduced to estimate the confidence level (cl) of the classification by the proposed algorithm. in addition, it is demonstrated that the proposed algorithm can effectively diagnose faults with incomplete data (regardless of how many sensors are used from the total of six). as expected, using data from fewer sensors resulted in reduced accuracy and cl.