تركيب آناليز مؤلفه هاي مستقل و ماشين بردار پشتيبان در تشخيص هوشمند عيب در ماشين هاي دوار

Combination of independent component analysis and support vector machines for intelligent faults diagnosis of rotating machinery

هر صنعتي نيازمند برنامه اي پيش گويانه، در جهت بهينه نمودن مديريت منابع و بهبود اقتصاد كارخانه با كاهش هزينه هاي غير ضروري و افزايش سطح ايمني مي باشد. ماشين هاي دوار از جمله ماشين هاي رايج در صنعت است و ريشه بيشتر خرابي ها در ماشين هاي دوار به دليل خرابي ياتاقان هاي غلتشي مي باشد. ماهيت گذراي ارتعاشات ناشي از عيب در ياتاقان هاي غلتشي باعث گرديده تا تحليل ارتعاشات در اين تجهيزات با استفاده از تبديل موجك پيوسته و آناليز پوش انجام پذيرد. اين مقاله به بررسي كاربردي روش تركيب ماشين بردار پشتيبان و آناليز مؤلفه هاي مستقل در تشخيص هوشمند محل و نوع عيب در ياتاقان هاي غلتشي مي پردازد. از آناليز مؤلفه هاي مستقل براي استخراج ويژگي و كاهش ابعاد از ويژگي هاي اصلي استفاده شده است، همچنين از آناليز مؤلفه هاي اصلي نيز براي استخراج ويژگي استفاده شده و نتايج آن با آناليز مؤلفه هاي مستقل مقايسه گرديده است. در اين مقاله، طبقه بندي كننده چند كلاسه ماشين بردار پشتيبان براي طبقه بندي عيب به كار گرفته شده است و از روش اعتبار سنجي متقابل براي انتخاب مقادير بهينه پارامترهاي تابع هسته و ماشين بردار پشتيبان استفاده شده است.

Any industry needs an efficient predictive plan in order to optimize the management of resources and improve the economy of the plant by reducing unnecessary costs and increasing the level of safety. Rotating machinery is the most common machinery in industry and the root of the faults in rotating machinery is often faulty rolling element bearings. Because of a transitory characteristic vibration of bearing faults, Continuous wavelet transforms with envelope analysis is applied for signal processing. This paper studies the application of independent component analysis and support vector machines for automated diagnosis of localized faults in rolling element bearings. The independent component analysis is used for feature extraction and data reduction from original features. The principal components analysis is also applied in feature extraction process for comparison with independent component analysis. In this paper, support vector machines-based multi-class classification is applied for faults classification process and a cross-validation technique is utilized in order to choose the optimal values of kernel parameters.