تشخيص هوشمند عيوب رادياتور خنك كاري مبتني بر تكنيك هاي هوش مصنوعي و پردازش تصاوير گرمايي

Intelligent fault diagnosis of cooling radiator based on thermal image processing and artificial intelligence techniques

در اين تحقيق يك سامانه مبتني بر تلفيق فناوري‌هاي گرمانگاري و پردازش تصوير براي تشخيص و طبقه‌بندي عيوب مختلف رادياتور توسعه داده مي شود. عيوب متداول در رادياتور‌هاي سيستم خنك كاري شامل؛ گرفتگي لوله‌هاي رادياتور، گرفتگي شبكه رادياتور، اتصالات شل بين لوله‌ها و شبكه رادياتور، نشتي مايع خنك كاري، خرابي درب رادياتور بصورت مصنوعي ايجاد گرديد. به منظور تشخيص عيوب مختلف رادياتور، از شرايط مختلف رادياتور معيوب و سالم در سه سطح دمايي، سه سطح دبي جريان سيال خنك كاري در حال گردش و دو سطح سرعت هواي عبوري از شبكه رادياتور تصاوير گرمايي توسط يك دوربين فروسرخ تهيه شد. پس از پيش پردازش تصاوير گرمايي تهيه شده جهت تجزيه و پردازش چند دقتي از تصاوير مذكور تبديل موجك در يك سطح تجزيه اعمال گرديد. از هر كدام از تصاوير گرمايي مقياس خاكستري، تصاوير تقريب ، جزئيات افقي، عمودي و قطري تبديل موجك آن تصوير، ويژگي‌هاي آماري بافت استخراج گرديد. سپس با تلفيق تكنيك‌هاي هوشمند الگوريتم ژنتيك و شبكه‌هاي عصبي-فازي تطبيقي (انفيس)، از آن جهت انتخاب ويژگي و ورودي‌هاي موثر به طبقه‌بند استفاده شد. در نهايت، از انفيس براي طبقه‌بندي تصاوير گرمايي با استفاده از بردار ويژگي‌هاي مستخرج و منتخب استفاده گرديد. براي ارزيابي طبقه‌بند از شاخص‌هاي آماري صحت، حساسيت و اختصاصي بودن محاسبه شدند. پس از ارزيابي، سامانه‌ پيشنهادي توانست با دقت كلي طبقه‌بندي 94.11 درصد عيوب مختلف رادياتور سيستم خنك كاري را تشخيص و طبقه‌بندي نمايد. بنابراين استفاده از تكنيك پردازش تصاوير گرمايي مبتني بر هوش مصنوعي براي پايش وضعيت و تشخيص هوشمند عيوب رادياتور اميدوار كننده است.

In this study, an intelligent diagnosis systems have been developed and applied for classifying six types of cooling radiator conditions by means of infrared thermal images; namely, radiator tube blockage, radiator fin blockage, loose connections between fins and tubes, radiator door failure, coolant leakage and normal. The proposed system is consisted of several subsequent procedures including thermal image acquisition, preprocessing, of images via two dimensional discrete wavelet transform (2D-DWT), feature extraction, feature selection, and classification. The 2D-DWT was implemented to decompose the thermal images. Subsequently, statistical texture features were extracted from the original and decomposed thermal images. Consequently, statistical texture features are extracted from the original and decomposed thermal images to develop ANFIS classifiers. In this paper, the significant and relevant features are selected based on genetic algorithm (GA) in order to enhance the performance of ANFIS classifier. For evaluating ANFIS classifier performance, the values of the confusion matrix, such as specificity, sensitivity, precision and accuracy were computed. The overall accuracy of the classifier was 94.11 %. The results demonstrated that this system can be employed satisfactorily as an intelligent condition monitoring and fault diagnosis for a class of cooling radiator.