مقایسه دو روش شبکه عصبی مصنوعی عمیق و شبکه عصبی پیچشی در طبقه‌بندی عیوب جعبه‌دنده

امروزه نظارت بر وضعیت ماشین‌آلات و تشخیص هوشمند عیوب برای تولیدات صنعتی نقش بسیار پراهمیتی را داراست. روش‌های هوش مصنوعی برای پایش در مقیاس‌های بزرگ (کلان‌داده‌[i]) بدون هیچ‌گونه فرض آماری در مورد داده‌ها می‌توانند به‌درستی عمل کنند. در این پژوهش مقایسه دو روش شبکه عصبی مصنوعی عمیق و شبکه عصبی پیچشی[ii] در طبقه‌بندی عیوب جعبه‌دنده انجام شده است. در روش شبکه عصبی مصنوعی عمیق ویژگی‌ها از سیگنال زمانی شتاب استخراج شده و در روش دیگر از خود سیگنال به‌عنوان ورودی استفاده شده است. به‌طور خلاصه از این روش‌ها برای طبقه‌بندی 9 حالت معیوب و یک حالت سالم در 6 ترکیب سرعت و بار متفاوت استفاده و با یکدیگر مقایسه شده است و سپس به بیان اثر چالش‌هایی از قبیل طول پنجره، ضریب یادگیری و تعیین تعداد ویژگی‌ها و چگونگی برطرف کردن آنها پرداخته شده است. در انتها با قیاس نتایج به‌دست آمده از هر دو روش این نتیجه حاصل شد که قدرت تشخیص شبکه عصبی پیچشی در این مورد بهتر از روش دیگر است. 

comparison of two deep neural network and convolutional neural network methods in the classification of gearbox faults

condition monitoring and fault diagnosis of large industrial equipment has become very important role nowadays. powerful artificial intelligent methods can be appropriately used on big data without any further statistical assumption. in this research, two compromising methods including deep neural network and convolutional neural network have been used to classify faults of a laboratory gearbox. both networks have been used to classify nine faulty classes and one healthy class of the gearbox using vibration signal. the data have been collected at six different load and speed combinations. the measured time domain vibration signal was used as neural network input. the classification accuracy of both methods have been obtained. the effect of challenging parameters such as window size, learning rate and number of extracted features on the classification accuracy have been studied. finally after the comparison of the results, it was concluded that the accuracy of the convolutional neural network was superior.