یادگیری ماشین در خدمت پایداری صنعتی: تحلیل و تشخیص عیب چرخ‌دنده با جنگل تصادفی

در سال‌های اخیر، تشخیص عیب در ماشین‌آلات دوار به‌ویژه گیربکس‌ها به‌عنوان یکی از اجزای کلیدی انتقال توان، مورد توجه گسترده قرار گرفته است. از آن‌جا که خرابی چرخ‌دنده‌ها می‌تواند منجر به توقف ناگهانی سیستم و خسارات اقتصادی سنگین شود، توسعه‌ی روش‌های کارآمد و دقیق برای شناسایی زودهنگام عیوب اهمیت دارد. در این پژوهش، با هدف افزایش دقت تشخیص و کاهش پدیده‌ی بیش‌برازش، الگوریتم یادگیری جنگل تصادفی برای تشخیص عیب چرخ‌دنده‌های ماشین‌آلات دوار مورد استفاده قرار گرفته است. داده‌های آزمایشی از طریق شبیه‌ساز تشخیصی پیشرانه‌ی توربین بادی تحت چهار شرایط کاری مختلف جمع‌آوری شدند. در مرحله‌ی پیش‌پردازش، ویژگی‌های حوزه‌ی زمانی شامل حداکثر، ریشه میانگین مربع، انحراف معیار، شاخص اوج و سایر شاخص‌های آماری از سیگنال‌های حسگر ارتعاش و گشتاور استخراج و به‌عنوان ورودی مدل به کار رفت. مدل جنگل تصادفی با تعیین دو پارامتر بهینه‌ی تعداد درخت‌ها (k=320) و اندازه‌ی زیرمجموعه‌ی ویژگی‌ها (m=4) آموزش داده شد و عملکرد آن با روش ماشین بردار پشتیبان (svm) مقایسه گردید. نتایج نشان داد که الگوریتم جنگل تصادفی به دقت کلی 98٫8٪ در تشخیص سه نوع عیب (ترک ریشه، دندان از دست‌رفته و دندانه شکسته) دست یافته و نسبت به svm عملکرد بهتری از نظر دقت و پایداری دارد. این روش ضمن سادگی در فرایند آموزش، توانایی بالایی در پردازش داده‌های حجیم و شناسایی انواع مختلف خطا ارائه می‌دهد.