مطالعه اثر محل نصب سنسور ارتعاش‌سنج در تشخیص عیوب چرخ‌دنده با استفاده از الگوریتم ماشین بردار پشتیبان

پذیرفته شده برای ارائه شفاهی ، صفحه 1-8 (8)
کد مقاله : 1107-ISAV2024 (R1)
نویسندگان
1فارغ‌التحصیل
2استادیار گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران
چکیده
جعبه‌دنده‌ها به دلیل شرایط کاری دشوار و متناوب پتانسیل خرابی بالایی دارند و تشخیص به موقع عیب در آنها از اهمیت ویژه‌ای برخوردار می‌باشد. یکی از پرکاربردترین روش‌های پایش سلامت جعبه‌دنده‌ها استفاده از آنالیز ارتعاشات است که از طریق سنسور‌های ارتعاش‌سنج، سیگنال ارتعاشات جعبه‌دنده اندازه‌گیری می‌شود تا وضعیت سلامت آن از طریق پردازش سیگنال و تحلیل آن مشخص گردد. در نتیجه تعیین بهترین نقطه و جهت نصب سنسور از اهمیت بالایی برخوردار است. در این پژوهش از داده‌های ارتعاشات اندازه‌گیری شده از 6 نقطه-جهت مختلف چیدمان آزمایشگاهی جعبه‌دنده، خصیصه‌های مختلفی که بیانگر وضعیت سلامت جعبه‌دنده و چرخدنده می‌باشند، استخراج شده است. برای تعیین بهترین نقطه-جهت نصب سنسور، از خصیصه‌های استخراج شده هر سنسور یک مدل طبقه‌بند SVM با کرنل‌های خطی و غیرخطی ساخته شده است. نشان داده شد که کرنل‌های غیرخطی دچار بیش‌برازش می‌شوند و همچنین بهترین نقطه-جهت بدست آمده از هر سه مدل ساخته شده با دقت متفاوت مربوط به خروجی جعبه‌دنده در جهت عمودی می‌باشد.
کلیدواژه ها
 
Title
Studying the effect of vibration transducer location on the gear fault diagnosis using support vector machine algorithm.
Authors
Amir Hossein Kheybarinejhad, Hesam Addin Arghand
Abstract
Gearboxes, due to their demanding and intermittent operating conditions, are highly prone to failure and making timely fault detection critically important. Vibration analysis is one of the most widely used methods for health monitoring of gearboxes. Through vibration sensors, the gearbox's vibration signals are measured, and its health condition is assessed via signal processing and analysis. As a result, determining the optimal location and direction for sensor placement is of paramount importance. In this study, vibration data from six different position-direction combinations in a laboratory gearbox setup were collected. Various features indicator of the health status of the gearbox and gears were extracted. To identify the best sensor placement, an SVM classifier with linear and nonlinear kernels was constructed for the extracted features of each sensor. It was demonstrated that nonlinear kernels tend to overfit, and the best position-direction identified across all three models, with varying accuracy, was the gearbox output in the vertical direction.
Keywords
Fault diagnosis, feature extraction, Support Vector Machine, sensor location