طبقه‌بندی چند عصبی برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته

عیب‌یابی چرخ‌دنده‌ها به کمک روش‌های هوشمند یکی از موضوعات رایج در تحقیقات اخیر می‌باشد. در این مقاله، روش ترکیبی جدیدی بر پایه‌ی تبدیل موجک گسسته، استخراج ویژگی در حوزه زمان و ماشین بردار پشتیبان چند کلاسه (multi-svm) ارایه شده است. سیگنال‌های ارتعاشی در سه حالت سالم، لب‌پریدگی و ساییدگی دندانه جمع‌آوری شده‌اند. این سیگنال‌ها به کمک روش تبدیل موجک گسسته با توابع موجک مختلف تجزیه شده و مناسب-ترین سطح تجزیه به کمک مفهوم همبستگی متقابل انتخاب شده‌اند. با به کارگیری توابع آماری مختلف در حوزه‌ی زمان، بردار ویژگی متناظر با هر نمونه سیگنال استخراج شده است. برای تعیین وضعیت جعبه‌دنده از روش svm از نوع «یک در برابر یک» استفاده شده است. شناسایی وضعیت یک جعبه‌دنده وابسته به نوع ویژگی‌های استخراج شده و چگونگی تنظیم پارامترهای svm می‌باشد. از این رو، در این مطالعه برای شناسایی حساس‌ترین ویژگی‌ها به حضور عیب و نوع آن و تعیین پارامترهای بهینه روش svm از الگوریتم بهینه‌سازی ازدحام ذرات استفاده شده است. نتایج نشان می‌دهند که با بهبود ماتریس ویژگی و روش طبقه‌بندی svm، دقت شناسایی شرایط جعبه‌دنده به طور قابل ملاحظه‌ای افزایش می‌یابد.

multi-fault classification for gears based on discrete wavelet transform, best features selection and improved support vector machine

intelligent fault detection diagnosis methods are one of the common topics in recently investigations. in this paper, a new hybrid technique is presented based on discrete wavelet transform (dwt) and multi – class support vector machine (multi-svm). the considered vibrational signals are collected in three conditions: normal, chipped tooth and worn teeth. these signals are decomposed using dwt methods with different wavelet base functions and the most appropriate level of decomposition are selected by the cross - correlation concept. the feature vector for each sample is extracted using different time domain statistical functions. «one – against - one» support vector machine (svm-oao) is utilized for detecting the gearbox conditions. the condition recognition of agearbox is depended on the extracted features type and setting the svm parameters. therefore, in this study, particle swarm optimization (pso) is used for identifying the most sensitive features to the defect and its type and determining the optimal parameters of svm method. the obtained results show that the identification accuracy of the gearbox conditions is significantly increased with improving the feature matrix and the svm classifier method.