يك روش هوشمند جديد براي شناسايي عيب ياتاقان ها بر پايه مفهوم هم انباشتگي و انتخاب ويژگي بهينه در شرايط كاري سرعت متغير با زمان

A New Intelligent Method for Bearing Fault Detection Based on Co-integration Concept and Selecting the Optimal Feature Set at Time-Varying Speed Conditions

در اين مقاله، يك روش تركيبي هوشمند جديد براي شناسايي عيب ياتاقان در شرايط سرعت متغير با زمان پيشنهاد شده است. سيگنال هاي ارتعاشي در دو حالت سالم و رينگ داخلي معيوب در سرعت متغير با زمان جمع آوري شده اند. در اين مطالعه، از تكنيك تجزيه مود تجربي كلي و روش اثر جوهانسون براي استخراج روابط هم انباشته از داده هاي ارتعاشي استفاده شده است. سپس، با بكارگيري روش تبديل بسته اي موجك و ويژگي هاي آماري در حوزه زمان، ماتريس ويژگي متناظر با روابط هم انباشتگي محاسبه شده است. در مرحله بعد، از روش ارزيابي جبران فاصله براي انتخاب ويژگي هاي اوليه استفاده شده است. از ويژگي هاي منتخب اوليه به عنوان ورودي طبقه بندي كننده ماشين بردار پشتيبان براي پيش بيني وضعيت ياتاقان استفاده شده است. در نهايت، پارامترهاي بهينه ماشين بردار پشتيبان و مجموعه ويژگي هاي بهينه به كمك الگوريتم بهينه سازي ازدحام ذرات باينري تعيين شده اند. نتايج به دست آمده نشان مي دهند كه مجموعه ويژگي هاي بهينه به خوبي قادر به تفكيك وضعيت هاي مختلف ياتاقان در سرعت متغير مي باشند. مقايسه نتايج اين مقاله با ديگر روش هاي عيب يابي، دلالت بر توانمندي روش پيشنهادي دارد.

In this paper, a new hybrid intelligent method is suggested for the bearing fault detection at time – varying speed conditions. The vibration signals have been collected for two states as healthy bearing and defected inner race under variable speeds. In this study, the ensemble empirical mode decomposition (EEMD) technique and Johanson trace method are utilized for extracting the co-integration relationships from the vibration data. Then, the feature matrix corresponding to the co-integration relationships is calculated using the wavelet packet decomposition (WPD) method, and the time -domain statistical features. In the next stage,the compensation distance evaluation technique (CDET) has been used to determine the preselected feature subsets. The preselected features are utilized as input data of the support vector machine (SVM) to predict the bearing state. Finally, The optimal SVM parameters and the optimal feature subsets are determined using the binary particle swarm optimization (BPSO) algorithm. The obtained results demonstrate that the optimal features are well able to differentiate between different bearing states at time-varying speeds. Comparing the results of this article with other fault detection methods indicates the ability of the proposed method.