طراحي جاروبك پتانسيومتر موتور XU7 و تشخيص معيوب بودن آن با روش پردازش سيگنال

Design of Potentiometer Brush of XU7 Engine and Detecting the Faulty Ones by Signal Processing

هدف اين مقاله تعيين جنس و ضخامت جاروبك پتانسيومتر موتور XU7 و حل مشكل عدم كاركرد مناسب آن است. مقدار نيروي تماسي پتاسيومتر يك پارامتر مهم در طراحي پتانسيومتر­ها است. از اينرو ابتدا تحليل استاتيكي با استفاده از جنس ­هاي مختلف انجام مي­شود تا جنس و ضخامت مناسب جاروبك به گونه­ اي تعيين شود كه بتواند نيروي مورد نظر را تامين كند. سپس براي تاييد نتايج، از يك روش آزمايشگاهي استفاده مي­شود. با استفاده از روش­هاي پردازش سيگنال، نحوه عملكرد پتانسيومتر در حالت ديناميكي نيز مورد بررسي قرار مي­گيرد. بدين صورت كه سيگنال خروجي تعدادي از قطعات پتانسيومتر سالم و معيوب با جنس­هاي مختلف و تحت شرايط كار و تعداد سيكل ­هاي مختلف ثبت مي­شود. يك بردار ويژگي براي هر سيگنال گرفته شده از آزمايش، تعريف مي­شود. اين بردار ويژگي داراي چهار درايه مي ­باشد، كه اولين درايه با استفاده از آناليز اجزاي اصلي به دست مي­ آيد، درايه­ هاي بعدي كرتوسيس، اسكيونس و ميانگين هستند. درصدي از اين بردار­هاي ويژگي به همراه كلاس مربوطه براي آموزش توسط بردار پشتيبان استفاده مي­شوند و يك دسته بندي كننده براي تشخيص قطعات سالم و معيوب ايجاد مي ­شود.

Propose of this paper are the determination of material and thickness of brush of potentiometer of XU7 engine and solving the defect of poor functioning. The contact force value of potentiometer is an important design parameter. Hence, the static analysis is performed at first for determination of the material and the thickness of the brush providing the desired force. Then an experimental method is used for verifying the results. Potentiometer functioning is investigated at dynamic mode using signal processing methods. Therefore, the output signal of some of the normal and defective potentiometers with different materials and under different working condition and cycles are recorded. A feature vector is defined for each signal. This feature vector has four elements that the first element is achieved using principle component analysis. The other elements are kurtosis, skewness and mean of the signal. Using these feature vectors and their classes, a classifier is developed for recognition of normal and defective components.