تشخیص عیوب یاتاقان مبتنی بر تحلیل تصاویر ارتعاشی به روش توصیفگر آرکم سیفت

یاتاقان ها اجزای حیاتی ماشین های دوار هستند ازاینرو در این مقاله یک روش جدید را برای تشخیص عیوب یاتاقان ها پیشنهاد می شود. متفاوت از سایر روش های کلاسیک پردازش سیگنال، روش پیشنهادی این مقاله، سیگنال های ارتعاشی یک بعدی را به سیگنال دوبعدی (تصویر) تبدیل می کند، سپس از روش های پردازش تصویر برای تجزیه وتحلیل استفاده می شود تا به هدف طبقه بندی عیوب رخ داده در یاتاقان برسد. تصاویر تبدیل شده از سیگنال های ارتعاشی اغلب ویژگی های بافت خاصی دارند و هر توصیفگر ویژگی های متفاوتی را استخراج می کند که برخی از ویژگی ها ضعیف و برخی دیگر قوی هستند. در این مقاله به منظور استخراج ویژگی، روش حذف نقاط کلیدی اضافی سیفت ( rkem-sift ) استفاده شده است. علاوه براین، برای هر توصیفگر، بهترین ویژگی ها با استفاده از روش تجزیه وتحلیل مولفه اصلی غیرخطی انتخاب می شوند. درنهایت، ویژگی های انتخاب شده باهم ترکیب می شوند و برای دستیابی به بهترین عملکرد در طبقه بندی چهار روش طبقه بندی اعمال شده و بعد از مقایسه بهترین روش طبقه بندی انتخاب می شود. عملکرد الگوریتم پیشنهادی بر روی مجموعه داده های بلبرینگ استاندارد دانشگاه کیس وسترن رزرو ارزیابی شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی نسبت به روش های دیگر خطا یابی یاتاقان های غلتشی عملکرد بهتری دارد.

diagnosis of bearing defects based on the analysis of vibration images using the rkem sift descriptor method

bearings are vital components of rotating machines, therefore, in this article, a new method for detecting bearing faults is proposed. different from other classical signal processing methods, the method proposed in this paper converts one-dimensional vibration signals into two-dimensional signals (images), then image processing methods are used for analysis to achieve the purpose of classifying. converted images from vibration signals often have certain texture features and each descriptor extracts different features, some features are weak and others are strong. in this article, the method of removing additional key points of sift (rkem sift) is used. in addition, for each descriptor, the best features are selected using the non-linear principal component analysis method. finally, the selected features are combined and four classification methods are applied to achieve the best classification performance and after comparison, the best classification method is selected. the performance of the proposed algorithm is evaluated on the standard bearing data set of case western reserve university. the simulation results show that the proposed method performs better than other methods of fault finding of rolling bearings.