ارزیابی تاثیر ورودی‌های مختلف در شبکه عمیق، بر عملکرد تشخیص هوشمند عیوب یاتاقان‌های غلتشی در هنگام تغییر میزان خرابی

در سال‌های اخیر، استفاده از الگوریتم‌های یادگیری عمیق برای تشخیص هوشمند عیوب یاتاقان‌های غلتشی، به‌عنوان یکی از اجزای کلیدی ماشین‌آلات، مورد توجه گسترده قرار گرفته است. با این حال، در کاربردهای صنعتی، تغییر شرایط کاری (سرعت/بار)، ابعاد عیوب و تغییرات ساختاری سیستم، توزیع داده‌ها را تغییر داده و تولید داده‌های جامع را دشوار می‌کند. این چالش‌ها استفاده از سیگنال خام را به‌عنوان ورودی محدود کرده و می‌تواند دقت سیستم‌های تشخیص را کاهش دهد. در این پژوهش، تاثیر چهار نوع ورودی شامل سیگنال زمانی خام، طیف فرکانسی، طیف پوش، و طیف پوش کپستروم سفیدسازی‌شده بر عملکرد دو شبکه یادگیری عمیق شامل پرسپترون چندلایه و شبکه عصبی کانولوشنی یک‌بعدی برای عیب‌یابی یاتاقان‌های غلتشی در هنگام تغییر میزان خرابی مورد بررسی قرار گرفته است. این تحلیل با استفاده از داده‌های ارتعاشی یاتاقان‌های غلتشی دو مجموعه آزمایشی تحت شرایط کاری مختلف انجام شده است. نتایج نشان می‌دهند که استفاده از طیف پوش و طیف پوش کپستروم سفیدسازی‌شده، در اغلب موارد، بهبود قابل‌توجهی در عملکرد سیستم‌های تشخیص عیب نسبت به استفاده از سیگنال خام یا طیف فرکانسی ارائه می‌دهد.