استخراج ویژگی در یک نوع موتور استارتر لوکوموتیو دیزل با روش تبدیل موجک

امروزه با توجه به رشد روز افزون صنعت ریلی و نیاز به بالا بردن ایمنی در قطارها، بایستی خرابی اجزا را پیش از وقوع، پیش بینی و شناسایی کرد. موتور جریان مستقیم یکی از تجهیزات مهم در صنایع امروز و به خصوص در صنعت حمل نقل ریلی به حساب می آید که در قسمت های مختلف لوکوموتیوهای الکتریکی و دیزل الکتریک نظیر: موتور کششی، استارتر قطار، سیستم های خنک کننده برف پاک کن و مواردی از این قبیل استفاده شده است. در این مقاله هدف آن است که داده های موتورهای سالم و معیوب که در هم تنیده شده اند، دسته بندی شده و روشی جهت جداسازی موتورهای سالم و معیوب ارائه شود، برای این کار از تعدادی داده های جریان راه اندازی موتور استارتر لکومتیو استفاده شده است. داده های جمع آوری شده که نیمی از ان ها سالم و نیمی از آن ها معیوب است، توسط تبدیل موجک گسسته با تابع debuchies4 به 9 سطح تجزیه می شوند و ضرایب جزئیات و تخمین هر داده توسط نرم افزار matlab محاسبه می شود و سپس برای شناسایی ویژگی های منحصر به فرد داده ها که می تواند به نمایندگی از آن، کلاس های سالم و معیوب را از هم جدا کند، از همه داده ها قبل از تبدیل موجک و بعد از آن پارامترهای چولگی skewness کشیدگی kurtosis و مقدار موثر (root mean sqaure) استخراج می شود که مشاهده می شود قبل از تبدیل با اعمال ویژگی های مذکور داده ها در هم تنیده هستند و امکان جداسازی داده ها دشوار است و نیاز به دسته بندی کننده پیچیده تر می باشد، اما با اعمال تبدیل موجک داده ها در سطوح مختلف از هم جدا شده و می توان با یک دسته بندی کننده خطی ساده آن ها را از یکدیگر جدا کرد.

feature extraction in diesel locomotive starter-motor with wavelet transform method

nowadays, due to the increasing growth of the railway industry and the need to increase safety in trains, component failure must be predicted and identified before it occurs. the direct current motor is one of the most important equipments in today s industries, especially in the rail transportation industry, which is used in various parts of electric and diesel electric locomotives, such as traction motors, train starters, cooling systems, snow wipers, etc. his article aims to categorize healthy and defective engines and provide a method to separate them. for this purpose, a number of locomotive starter motor starting current data have been used. the collected data, half of which are healthy and half of which are defective, are decomposed into 9 levels by discrete wavelet transform with debuchies4 function, and the detail and estimation coefficients of each data are calculated by matlab software, unique features of the data were identified to represent it and separate the healthy and defective classes. before the wavelet transformation, skewness, kurtosis, and root mean square parameters were extracted from all the data. the features showed that the data were intertwined, making it difficult to separate them, and a more complex classifier was needed. however, after applying wavelet transformation, the data was separated at different levels and could be separated from each other with a simple linear classifier.