ارزیابی عملکرد شبکه های عصبی احتمالاتی و ماشین بردار پشتیبان در تشخیص عیب ملخ با استفاده از آنالیز ارتعاشات

عیب‌یابی ملخ در هواگردها و شناورها از اهمیت بسزایی برخوردار می‌باشد. یکی از عیوب شایع در ملخ ها عدم تعادل می باشد که برای تشخیص این عیب، تکنیک‌های زیادی بر اساس تجزیه و تحلیل طیفی وجود دارد. این مقاله وجود عیب در یک ملخ را به روش آزمایشی و آنالیز ارتعاشی بررسی می‌کند. بعد از داده برداری در حوزه زمان برای چهار نمونه از ملخ به استخراج ویژگی در حوزه‌های زمانی و فرکانسی پرداخته شده است. در ادامه داده‌ها به ورودی شبکه‌های عصبی  احتمالاتی و ماشین بردار پشتیبان اعمال شده‌است و نتایج حاصل از هرکدام بررسی و با‌‌هم مقایسه می‌شوند. داده‌هایی که در اختیار بود در دو بخش آموزش و آزمون مورد بررسی قرار گرفت. درصد طبقه‌بندی صحیح داده‌های آموزش تقریباً برای تمامی نمونه‌هابرابر 100 درصد بوده است که این مورد دلالت بر انجام دقیق آزمون آزمایشگاهی و توانایی روش‌های شبکه‌های عصبی احتمالاتی و ماشین بردار پشتیبان در کلاس‌بندی دارد. تغییر دور به یک دور بهینه به همراه استفاده ترکیبی از هر دو مشخصه زمانی و فرکانسی بهترین پاسخ را برای طبقه‌بندی بدست می‌دهد. در ضمن از مقایسه روش‌های هوشمند، نتیجه می‌شود که استفاده از روش شبکه‌های عصبی  احتمالاتی به نتایجی با صحت بالاتر منجر می‌شود و این مورد دلالت بر دقت بالا و کیفیت مناسب این روش دارد که قادر است با دقت قابل قبولی ملخ‌های معیوب را از دیگر ملخ‌ها تفکیک نماید.

performance of probabilistic neural network and support vector machine for propeller fault detection using vibration analysis

fault diagnosis in propellers for aircraft and ships is of great significance. vibration monitoring can help predict and prevent propeller failures by detecting imbalances. there are many techniques based on the vibration analysis for fault diagnosis, and this study investigates propeller defects using experimental vibration analysis. data were collected through feature extraction methods in both the time-domain and frequency-domain. subsequently, dimensionality-reduced features were applied as inputs to probabilistic neural networks (pnn) and support vector machines (svm), and their classification results were analyzed and compared. the dataset was divided into training and testing subsets. the training data achieved nearly 100% classification accuracy across all propeller fault conditions, demonstrating the precision of the experimental setup and the efficacy of pnn and svm in fault classification. to compare healthy and defective datasets, adjusting rotational speed to an optimal value combined with time- and frequency-domain features yielded the highest accuracy for test data classification. the results indicate that pnn outperforms svm, achieving superior classification accuracy and robustness. specifically, pnn successfully distinguished all four propeller fault conditions with high accuracy, underscoring its reliability for vibration-based fault detection.