بخشی از مقاله
چکیده
یکی ازپرکاربردترین قطعات صنعتی جعبهدندهها وعلیالخصوص چرخدندهها میباشند. جعبهدنده سیاره ایی از سه جز اصلی چرخ دنده رینگی، خورشیدی و حامل پینیونهاتشکیل یافته است که در یک مجموعه با هم درگیر میباشند. از سیگنالهای پیشپردازششده ویژگیهای لازم گرفته شده و به عنوان ورودی به ماشین بردار پشتیبان معرفی شدند تابع کرنل استفادهشده در ماشین بردار پشتیبان از نوع تابع هسته RBF بود که پارامترهای ماشین بردار پشتیبان به منظور عملکرد بهتر با استفاده از الگوریتم ژنتیک بهینه شدند تا دقت طبقهبندی افزایش یابد .
در مجموع 6 نوع عیب و یک حالت سالم در مجموعه چرخدنده سیارهایی مورد بررسی قرار گرفت که هر کدام از عیبها در دو جهت محوری - - A و عمودی - V - و در سه سرعت کاری موتور 600 - ، 1300و - 2000 rpm و با 20 تکرار برای هر حالت مورد آزمایش قرار گرفت. عمل طبقهبندی با 7 کلاس صورت پذیرفت که بالاترین دقت طبقه بندی برای سرعت 2000 rpm و در جهت عمودی به دست آمده که برابر با 95/23 درصد میباشد .ترکیب ماشین بردار پشتیبان و الگوریتم ژنتیک در این تحقیق قادر به طبقهبندی بهتر عیوب در سرعتهای بالای کاری موتور میباشد و همچنین دادههای ثبتشده در جهت عمودی مفیدتر از دادههای ثبتشدهی جهت محوری برای تشخیص عیوب میباشند.
-1 مقدمه
چرخدنده جزئی از اجزای ماشین و یا سیستم انتقال قدرت میباشد است که برای انتقال حرکت و توان از محور خود به چرخدندهای دیگر و در نتیجه به محور آن از طریق دندانه هایش به کار میرود. به وسیله چرخدنده ها میتوان حرکت دورانی و گشتاور گردشی را بدون لغزش از محوری به محور دیگر - در فاصله محورهای کم - انتقال داد، همچنین به کمک آنها میتوان نسبت انتقال و جهت گردش مورد نیاز را به دست آورد . برای این منظور از چرخدنده های مختلفی که در دسترس و موجود میباشند استفاده میشود.چرخدندهها،ازپرمصرفترین وسایل انتقال قدرت وحرکت هستند.
یکی از جالبترین مکانیزمهای چرخدندهایکه اختراع شده است، چرخدندههای خورشیدی است. فرض کنید میخواهید دو چرخدنده داشته باشید که سرعت یکیnبرابر دیگری باشد، اما جهت چرخش آنها با هم یکی باشد که برای این کار میتوان از چرخدنده خورشیدی استفاده شود. به طور معمول در صنعت ، هزینه تعمیر و نگهداری 5 تا 6 درصد سرمایه های ثابت رابه خود اختصاص داده است که در صنایع بزرگ و سنگین به 12 درصد هم می رسد .نگهداری و تعمیرات صحیح ، هزینه کل را از طریق کاهش تعداد خرابی ها ، کم کردن دفعات توقف ماشین آلات و زمان توقف آنها و بهبود ایمنی کار ، کمینه می نماید.[1]
پیش بینی عیوب ، یکی ازجنبه های چالش برانگیز سیستم مدیریت سلامت وپیش بینی عیو ب - PHM - می باشد. همچنین هزینه ی پشتیبانی و عملیاتی - OAS - و هزینه ی کل - - TOC چرخه عمر را کاهش داده و ارتقا ایمنی بسیاری از انواع ماشین آلات و سیستم های پیچیده را در بر دارد.
معمولاً عیوب ماشین ها، منشاء های خیلی ساده ای دارند .به هر حال چنانچه این عیوب شناسایی نشوند، آنها با یکدیگر ترکیب شده و در شکل های دیگری ظاهر می شوند و شناسایی نقطه اصلی عیب را به طور پیچیده ای مشکل می سازند .بنابراین یک سامانه شناسایی عیوب کارا، باید به محض اینکه علامتی از نقص در ماشین ظاهر شد به کاربر هشدار دهد تاسریعاً عملیات تصحیح عیب انجام شود .همچنین یک سامانه عملی پایش وضعیت باید برای اجرا ، ساده بوده و بر اساس کمترین تعداد ورودی های حسگر کار کند .
ماشین بردار پشتیبان از جمله روشهای نسبتاً جدیدی است که در سالهای اخیر کارایی خوبی در مقایسه با روشهای قدیمیتر برای طبقهبندی از جمله ﺷﺒﻜﻪهای عصبیمصنوعی نشان داده است. مبنای ﻛﺎﺭﻱ ﺩﺳﺘﻪبندی کننده ی ماشین بردار پشتیبان،دستهبندی خطی دادهها است و در تقسیم خطی دادهها سعی میکنیم خطی را انتخاب ﻛﻨﻴﻢ ﻛﻪ ﺣﺎﺷﻴﻪ ﺍﻃﻤﻴﻨﺎﻥ بیشتری داشته باشد. حل معادله ی پیدا کردن خط بهینه برای دادهها به وسیله روشهای ﺑﺮﻧﺎﻣﻪ نویسی درجهدوم1F0که روشهای شناخته شدهای در حل مسائل محدودیتدار هستند صورت میگیرد.
با توجه به اینکه ماشین بردار پشتیبان به شکل دودویی عمل کرده و قادر به کلاسبندی دو کلاس را از هم دارد برای غلبه بر این محدودیت در مواقعی که بیش از دو کلاس وجود دارد از روش طبقه بندی ماشین بردار پشتیبان چند کلاسی استفاده میشود . [3] برای بهبود نتیجه طبقهبندی ماشین بردار پشتیبان در بحثهای بهینهسازی میتوان از الگوریتمهای فرا ابتکاری متفاوتی که به وجود آمدهاند استفاده کرد که با این کار و تعریف تابع هدف برای الگوریتم میتوان نتایج کلاسبندی را بهبود بخشید و در نتیجه دقت طبقهبندی نیز افزایش مییابد.
0B -2 مبحث تئوری
1-2ماشین بردار پشتیبان2F1
ماشین بردار پشتیبان3F2 یک مجموعه از متدهای یادگیری باناظر4F3 است که برای طبقهبندی5F4 و رگرسیون استفاده میشود. ماشین بردار پشتیبان در سال 1995 توسط واپنیک6F5 و کورینا کورتیس7F6بر پایهی نظریه یادگیری آماری معرفی شد. در اصل ماشین بردار پشتیبان یک موجودیت ریاضی میباشد که یک الگوریتم برای ماکزیمم کردن تابع ریاضی با توجه به مجموعه دادههای وارد شده به شبکه است.
ماشین بردار پشتیبان از یک تکنیک که کرنل تریک8F7 نامیده میشود، برای تبدیل دادههای استفاده میکندو سپس بر اساس این تبدیل، مرز بهینه بین خروجیهای ممکن را پیدا میکند. به عبارت ساده تبدیلات بسیار پیچیده را انجام میدهد، سپس مشخص میکند چگونه دادهها را بر اساس برچسب ها یا خروجیهایی که تعریف شدهاست، جدا شوند.[4]
