مقايسه‌اي بين تجزيه حالت تجربي و تبديل موجك در تشخيص نابالانسي ماشين دوار با استفاده از ماشين بردار پشتيبان بهينه

Comparison between empirical mode decomposition and wavelet transform for unbalance detection on rotating machinery using optimized support vector machine

در اين پژوهش، مقايسه‌اي بين روش هاي تجزيه حالت تجربي، تجزيه حالت تجربي دسته‌اي و تبديل موجك گسسته با توابع موجك مادر مِيِر و دابچي در تشخيص عيب نابالانسي ماشين دوار انجام شده است. به منظور طبقه‌بندي و تفكيك كلاس سالم از نابالانسي ماشين دوار، از ماشين بردار پشتيبان بهينه شده با الگوريتم بهينه‌سازي ازدحام ذرات استفاده شده است. همچنين، مقايسه‌اي بين عملكرد ماشين بردار پشتيبان بهينه و غيربهينه نيز انجام شده است. به منظور تهيه داده‌هاي مورد نياز، ابتدا يك دستگاه شبيه‌ساز عيب در ماشين دوار ساخته، سپس سيگنال‌هاي ارتعاشي در دو حالت سالم و عيب نابالانسي، توسط سنسورهاي شتاب اخذ شدند. بعد از پردازش و تجزيه سيگنال‌ها به مولفه‌هاي فركانسي آنها، چند ويژگي آماري از هر مولفه فركانسي استخراج و بعنوان ورودي ماشين بردار پشتيبان، جهت تفكيك كلاس‌ها از يكديگر مورد استفاده قرار گرفت. نتايج حاصل نشان داد كه روش تبديل موجك گسسته با تابع موجك مادر مِيِر، درصد موفقيت بالاتري در تشخيص عيب نابالانسي نسبت به ساير روش‌ها دارد.

In this study, fair comparisons between the empirical mode decomposition, ensemble empirical mode decomposition and discrete wavelet transform with the mother wavelet function of Meyer and Daubechies, were performed for detecting unbalance faults in a rotating machine. In order to classify the healthy class from the unbalance classes, a support vector machine that was optimized by particle swarm optimization algorithm was used. A comparison between the performances of optimized and non-optimized of support vector machines was also carried out. In order to obtain the required data, a rotating machinery fault simulator was developed and vibrational signals were acquired at healthy and unbalance fault conditions by accelerometer sensors. By processing the recorded signals and analysing signal to their frequency components, several statistical features were extracted from each frequency component as input support vector machine for the separation of classes. The obtained results indicated that the discrete wavelet transform with the Meyer mother wavelet obtained ahigher success rate than other methods for diagnosing unbalance faults.