عیب‌یابی بلبرینگ‌ها با استفاده از تبدیل موجک و ماشین بردار پشتیبان مورلت و مقایسه آنها با تجزیه مود تجربی

در این مقاله، مقایسه‌ای بین روش های تجزیه حالت تجربی، تجزیه حالت تجربی دسته‌ای و تبدیل موجک پیوسته مورلت در تشخیص عیوب مختلف بیرینگ‌ها 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 شده‌اند جهت طبقه‌بندی عیوب بلبرینگ‌ها استفاده می‌شود. یک معیار انتخاب مقیاس بر اساس نسبت ماکزیمم انرژی نسبی به آنتروپی رنی جهت تعیین مقیاس بهینه در آنالیز موجک استفاده می‌شود. همچنین، مقایسه‌ای بین عملکرد ماشین بردار پشتیبان موجک بهینه و غیربهینه نیز انجام شده است. سیگنال‌های 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 شتاب‌سنج جمع‌آوری می‌گردد. بعد از پردازش و تجزیه سیگنال‌ها به مولفه‌های فرکانسی آنها، چند ویژگی آماری از هر مولفه فرکانسی استخراج و بعنوان ورودی ماشین بردار پشتیبان، جهت تفکیک کلاس‌ها از یکدیگر مورد استفاده قرار می گیرد. همچنین به منظور کاهش زمان و بهبود فرآیند تصمیم گیری در عیب‌یابی، با استفاده از روش یوتنس دسته ویژگی بهینه پارامترهای آماری ورودی ماشین بردار پشتیبان موجکی انتخاب می‌گردد. جهت ارزیابی طبقه‌بندی مجموعه داده‌ها از روش ارزیابی تقاطعی استفاده می‌شود. نتایج نشان داد که تبدیل موجک پیوسته مورلت نسبت به دو روش دیگر در پردازش سیگنال‌ها می‌‌تواند عیوب بلبرینگ‌ها را با دقت بالاتری شناسایی کند.

fault diagnosis of ball bearings by wavelet transform and morlet support vector machine and comparison them with empirical mode decomposition

in this study, a comparison among the empirical mode decomposition, ensemble empirical mode decomposition and morlet continuous wavelet transform in fault diagnosis of bearings are performed. a morlet wavelet support vector machine with one against one strategy that was optimized by a genetic algorithm was used for fault classification. a scale selection criterion based on the maximum relative energy to renyi entropy ratio is proposed to determine the optimal decomposition scale for wavelet analysis. a comparison between the performances of optimized and non‌optimized of support vector machines were also carried out. vibration signals were collected by a test rig for different fault of a bearing such as normal case, bearing with inner and outer race fault, and bearing with ball fault and combine fault. after the processing of vibration signals their frequency components, several statistical features were extracted from each frequency component as input of wavelet support vector machine for the fault classification of ball bearings. for reducing of time and process of fault diagnosis, optimum feature sets of statistical parameters are selected by utans method. k‌fold cross validation method is used for evaluation of classifier. the results show that continuous wavelet transform with morlet base has higher accuracy with respect to other methods in fault classification of bearings.