روش تركيبي هوشمند جديد براي عيب يابي ياتاقان بر پايه بهبود روش انتخاب ويژگي ارزيابي جبران فاصله و ماشين بردار پشتيبان

A New Hybrid Intelligent Technique Based on Improving the Compensation Distance Evaluation Technique and Support Vector Machine for Bearing Fault Diagnosis

در اين مقاله، يك روش جديد براي عيب يابي ياتاقان ها در سرعت دوراني هاي مختلف ارايه شده است. سيگنال هاي ارتعاشي در چهار حالت سالم، رينگ داخلي معيوب، رينگ خارجي معيوب و المان ساچمه معيوب جمع آوري شده اند. ابتدا 22 ويژگي آماري در حوزه زمان و 4 ويژگي در حوزه فركانس از سيگنال اصلي، 3 سطح تجزيه حاصل از تبديل بسته اي موجك (WPD) و 5 مولفه اول حاصل از تجزيه مود تجربي (EMD) استخراج شده اند و در نهايت، بردار ويژگي براي هر نمونه سيگنال داراي 424 ويژگي است. ماتريس ويژگي با ابعاد بزرگ ممكن است شامل ويژگي هاي غيرحساس به عيب باشد. از اين رو در اين مطالعه از روش انتخاب ويژگي ارزيابي جبران فاصله (CDET) براي انتخاب ويژگي هاي بهينه استفاده شده است. سپس، از ويژگي هاي منتخب به عنوان ورودي طبقه بندي كننده ماشين بردار پشتيبان (SVM) براي پيش بيني وضعيت ياتاقان استفاده شده است. در روش CDET، شاخص آستانه اي وجود دارد كه نقش تعيين كننده اي در انتخاب ويژگي هاي مطلوب ايفا مي نمايد. همچنين، روش SVM داراي پارامترهايي است كه لازم است حين عيب يابي تنظيم شوند. از اين رو در اين مطالعه از الگوريتم بهينه سازي ازدحام ذرات (PSO) براي تعيين مقادير بهينه شاخص آستانه در روش CDET و پارامترهاي بهينه SVM استفاده شده است، به طوري كه خطاي پيش بيني شرايط ياتاقان و تعداد ويژگي هاي منتخب كمينه شوند. نتايج به دست آمده در اين مقاله نشان مي دهد كه ويژگي هاي انتخاب شده به خوبي قادر به تفكيك شرايط مختلف ياتاقان در سرعت هاي مختلف هستند. مقايسه نتايج اين مقاله با ديگر روش هاي عيب يابي، دلالت بر توانمندي روش پيشنهادي مي كند.

In this paper, a new hybrid intelligent method is presented for detecting the bearing faults in the various rotating speeds. The vibration signals are collected in four conditions, including the normal state, the faulty inner race, the faulty outer race, and the faulty bearing element. Firstly, twenty-two statistical features in the time domain and four frequency features, three Wavelet packet decomposition (WPD), and the first five intrinsic mode functions obtained by the empirical mode decomposition (EMD) are extracted from the original signal; finally, the feature vector for each signal sample has 424 features. However, in the high dimensional feature matrix, there may exist the insensitive features to the presence of defects. Therefore, in this study, the compensation distance evaluation technique (CDET) is used to select the optimal features. Then, the selected features are used as the inputs of the support vector machine (SVM) classifier to diagnose the bearing conditions. In the CDET method, there is a threshold indicator that plays a decisive role in choosing the desired attributes. Also, the SVM method has some parameters that need to be set during the fault detection process. Therefore, the particle swarm optimization (PSO) algorithm is used to determine the optimal threshold in the CDET method and the optimal SVM parameters, so that the prediction error of the bearing conditions and the number of the selected features are minimized. The obtained results demonstrate that the selected features are well able to differentiate between different bearing conditions at various speeds. Comparing the results of this paper with other fault detection methods indicates the ability of the proposed method.