|
|
الگوریتم جدید جهت تشخیص عیب ترک نازل انژکتور موتور دیزل با استفاده از آنالیز ارتعاشات، آزمون t و ماشین بردار پشتیبان
|
|
|
|
|
نویسنده
|
زکی زاده مهدی ,جمالی علی ,رفیعیان منصور
|
منبع
|
صوت و ارتعاش - 1401 - دوره : 11 - شماره : 21 - صفحه:3 -13
|
چکیده
|
در این پژوهش روشی جدید جهت تشخیص عیب ترک نازل انژکتور موتور لکوموتیو، با استفاده از آنالیز ارتعاشات و استفاده از آزمونهای آماری، داخل الگوریتم ماشین بردار پشتیبان، ارائه شده است. در برنامه ارائه شده ابتدا سیگنالهای ارتعاشی در حوزه فرکانس دریافت شده و محدوده فرکانسی مورد بررسی به چندین محدوده کوچکتر تقسیم میشود. سپس rms هر محدوده بهعنوان یک ویژگی فرکانسی استخراج و بهعنوان ورودی به الگوریتم ماشین بردار پشتیبان داده میشود. بهدلیل اینکه انتخاب زیاد ویژگی باعث پایین آمدن دقت طبقهبندی شده و همچنین جهت انتخاب ویژگیهای بهتر، بردار ویژگی استخراج شده ابتدا از فیلترهای آزمون [i]t، با سطوح معناداری مختلف، عبور کرده و سپس بهعنوان ورودی به الگوریتم [ii]svm داده میشود. استفاده از این روش ضمن افزایش دقت طبقهبندی از 78.4 به 94.6 درصد، به فرایند تشخیص محدودههای فرکانسی، که تحت تاثیر عیب، تغییرات محسوسی دارند، کمک میکند. براساس نتایج بهدست آمده عیب ترک نازل انژکتور بیشتر باعث افزایش شدت ارتعاشات در باندهای فرکانسی بالای 1500 هرتز میشود.
|
کلیدواژه
|
پایش وضعیت، تحلیل ارتعاشات، موتورهای دیزل، پردازش سیگنال، آزمون t، ماشین بردار پشتیبان
|
آدرس
|
دانشگاه گیلان, دانشکده مکانیک, ایران, دانشگاه گیلان, دانشکده مکانیک, ایران, دانشگاه یزد, دانشکده مهندسی مکانیک, ایران
|
پست الکترونیکی
|
rafeeyan@yazd.ac.ir
|
|
|
|
|
|
|
|
|
new algorithm for fault detection of diesel engine injector nozzle through vibration analysis, t test, and svm neural network
|
|
|
Authors
|
zakizadeh mahdi ,jamali ali ,rafeeyan mansour
|
Abstract
|
in this study, a new method for the fault detection of the locomotive engine injector nozzle based on vibration analysis and statistical tests, inside artificial neural networks, is presented. for this point, first the under study received vibration signals in the frequency domain is divided into several smaller ranges and the rms of each range is then extracted as a frequency property and given as an input to the neural network. because the high selection of the features reduces the accuracy of the neural network, the extracted feature vector with different levels of significance passes through the t-test filters, firstly, and then enters the neural network as an input. using of this method, the accuracy of the neural network increases from 78.4 to 94.6%, and also help to detect the frequency ranges. according to the results, the fault of the injector nozzle crack increases the intensity of vibrations in the upper band frequencies of 1500 hz.
|
|
|
|
|
|
|
|
|
|
|
|
|