طراحی سیستم تشخیص عیوب گیربکس خودروی تندر 09 با استفاده از آنالیز موجک سیگنال صوتی

گیربکس ‌ها در طول فرایند ساخت، مونتاژ و یا بهره ‌برداری ممکن است دچار عیب گردند در کارخانه ‌های تولید گیربکس، تعیین گیربکس‌ های معیوب جهت جلوگیری از ورود آن‌ها به چرخه مصرف اهمیت فراوانی دارد. در این پژوهش به عیب ‌یابی هوشمند گیربکس خودرو تندر90 با استفاده از آنالیز سیگنال ‌های صوتی پرداخته شده است. ابتدا استخراج ویژگی، از سیگنال ‌های پردازش ‌شده در هر سه حوزه انجام گرفت؛ و پس از آن با استفاده از روش آزمون و خطا و همچنین روش استنباط آماری تی ویژگی‌ های مطلوب جهت استفاده در طبقه ‌بندی انتخاب شد. سپس با استفاده از روش‌ های مختلف طبقه ‌بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان، روند هوشمند سازی عیب ‌یابی انجام گرفت. نتایج نشان داد که روش کلاس بندی ماشین بردار پشتیبان با تبدیل گسسته موجک، روی داده های پردازش شده، دارای خطای متوسط کمتر از 9درصد هست. که این خطا نسبت به خطای سایر روش ها در این آزمایش کمتر هست.

Design of the L90 automobile gearbox fault detection system using the audio signal analysis

Gearboxes may be defective during the manufacturing, assembly or operation process. In gearbox manufacturing factories, it is important to identify defective gearboxes to prevent them from entering the consumption cycle. Audio signals indicate the operation of the gearbox and the condition of its internal components. Therefore, this system is a powerful method to diagnose the gearbox healthy or defective in different gears. In this study, intelligent gearbox troubleshooting using audio signals has been done. After receiving the audio signals, suitable algorithms for troubleshooting were proposed and based on that, the troubleshooting process was performed. In this test, the gearbox of the Thunder 90 passenger car in the assembly line was checked for the health or defect. The received audio signals are first processed in the time, frequency (fast Fourier transform) and timefrequency (discrete wavelet transform) domains. Then the feature was extracted from the processed signals in all three domains of time, frequency and timefrequency; Then, using the error test method and statistical inference method, the desired characteristics were selected for use in classification. Then, using various methods of artificial neural network classification and support vector machine, the intelligent diagnostic process was performed. The results showed that the backup machine classification method on data processed with discrete wavelet transform has an average error of less than 9%. This error is less than the error of other signal processing and classification methods in this experiment.