یک روش هوشمند جدید برای شناسایی عیب یاتاقان‌ها بر پایه مفهوم هم‌انباشتگی و انتخاب ویژگی بهینه در شرایط کاری سرعت متغیر با زمان

در این مقاله، یک روش ترکیبی هوشمند جدید برای شناسایی عیب یاتاقان در شرایط سرعت متغیر با زمان پیشنهاد شده است. سیگنال‌های ارتعاشی در دو حالت سالم و رینگ داخلی معیوب در سرعت متغیر با زمان جمع‌آوری شده‌اند. در این مطالعه، از تکنیک تجزیه مود تجربی کلی و روش اثر جوهانسون برای استخراج روابط هم‌انباشته از داده‌های ارتعاشی استفاده شده است. سپس، با بکارگیری روش تبدیل بسته‌ای موجک و ویژگی‌های آماری در حوزه زمان، ماتریس ویژگی متناظر با روابط هم‌انباشتگی محاسبه شده است. در مرحله بعد، از روش ارزیابی جبران فاصله برای انتخاب ویژگی‌های اولیه استفاده شده است. از ویژگی‌های منتخب اولیه به عنوان ورودی طبقه‌بندی کننده ماشین بردار پشتیبان برای پیش‌بینی وضعیت یاتاقان استفاده شده است. در نهایت، پارامترهای بهینه ماشین بردار پشتیبان و مجموعه ویژگی‌های بهینه به کمک الگوریتم بهینه‌سازی ازدحام ذرات باینری تعیین شده‌اند. نتایج به دست آمده نشان می‌دهند که مجموعه ویژگی‌های بهینه به خوبی قادر به تفکیک وضعیت‌های مختلف یاتاقان در سرعت متغیر می‌باشند. مقایسه نتایج این مقاله با دیگر روش‌های عیب‌یابی، دلالت بر توانمندی روش پیشنهادی دارد.

A New Intelligent Method for Bearing Fault Detection Based on Cointegration Concept and Selecting the Optimal Feature Set at TimeVarying Speed Conditions

In this paper, a new hybrid intelligent method is suggested for the bearing fault detection at time – varying speed conditions. The vibration signals have been collected for two states as healthy bearing and defected inner race under variable speeds. In this study, the ensemble empirical mode decomposition (EEMD) technique and Johanson trace method are utilized for extracting the cointegration relationships from the vibration data. Then, the feature matrix corresponding to the cointegration relationships is calculated using the wavelet packet decomposition (WPD) method, and the time domain statistical features. In the next stage,the compensation distance evaluation technique (CDET) has been used to determine the preselected feature subsets. The preselected features are utilized as input data of the support vector machine (SVM) to predict the bearing state. Finally, The optimal SVM parameters and the optimal feature subsets are determined using the binary particle swarm optimization (BPSO) algorithm. The obtained results demonstrate that the optimal features are well able to differentiate between different bearing states at timevarying speeds. Comparing the results of this article with other fault detection methods indicates the ability of the proposed method.