طبقه‌بندي چند عصبي براي چرخ‌دنده‌ها بر پايه‌ي تبديل موجك گسسته، انتخاب مناسب‌ترين ويژگي و ماشين بردار پشتيبان بهبود يافته

Multi-Fault Classification for Gears Based on Discrete Wavelet Transform, Best Features Selection and Improved Support Vector Machine

عيب‌يابي چرخ‌دنده‌ها به كمك روش‌هاي هوشمند يكي از موضوعات رايج در تحقيقات اخير مي‌باشد. در اين مقاله، روش تركيبي جديدي بر پايه‌ي تبديل موجك گسسته، استخراج ويژگي در حوزه زمان و ماشين بردار پشتيبان چند كلاسه (Multi-SVM) ارايه شده است. سيگنال‌هاي ارتعاشي در سه حالت سالم، لب‌پريدگي و ساييدگي دندانه جمع‌آوري شده‌اند. اين سيگنال‌ها به كمك روش تبديل موجك گسسته با توابع موجك مختلف تجزيه شده و مناسب-ترين سطح تجزيه به كمك مفهوم همبستگي متقابل انتخاب شده‌اند. با به كارگيري توابع آماري مختلف در حوزه‌ي زمان، بردار ويژگي متناظر با هر نمونه سيگنال استخراج شده است. براي تعيين وضعيت جعبه‌دنده از روش SVM از نوع «يك در برابر يك» استفاده شده است. شناسايي وضعيت يك جعبه‌دنده وابسته به نوع ويژگي‌هاي استخراج شده و چگونگي تنظيم پارامترهاي SVM مي‌باشد. از اين رو، در اين مطالعه براي شناسايي حساس‌ترين ويژگي‌ها به حضور عيب و نوع آن و تعيين پارامترهاي بهينه روش SVM از الگوريتم بهينه‌سازي ازدحام ذرات استفاده شده است. نتايج نشان مي‌دهند كه با بهبود ماتريس ويژگي و روش طبقه‌بندي SVM، دقت شناسايي شرايط جعبه‌دنده به طور قابل ملاحظه‌اي افزايش مي‌يابد.

Intelligent fault detection diagnosis methods are one of the common topics in recently investigations. In this paper, a new hybrid technique is presented based on discrete wavelet transform (DWT) and multi – class support vector machine (Multi-SVM). The considered vibrational signals are collected in three conditions: normal, chipped tooth and worn teeth. These signals are decomposed using DWT methods with different wavelet base functions and the most appropriate level of decomposition are selected by the cross - correlation concept. The feature vector for each sample is extracted using different time domain statistical functions. «One – against - one» support vector machine (SVM-OAO) is utilized for detecting the gearbox conditions. The condition recognition of a gearbox is depended on the extracted features type and setting the SVM parameters. Therefore, in this study, particle swarm optimization (PSO) is used for identifying the most sensitive features to the defect and its type and determining the optimal parameters of SVM method. The obtained results show that the identification accuracy of the gearbox conditions is significantly increased with improving the feature matrix and the SVM classifier method.