مدل مبتنی بر یادگیری جمعی برای ترکیب داده‌های ارتعاشی چند حسگر در عیب‌یابی جعبه‌دنده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه زنجان

2 کارشناس ارشد مهندسی مکانیک، دانشگاه زنجان، زنجان، ایران

چکیده

در پژوهش حاضر سیگنال‌های ثبت شده از یک جعبه‌دنده آزمایشگاهی به منظور شناسایی وضعیت سلامت و نوع عیوب توسط الگوریتم مرکب پیشنهاد شده مبتنی بر یادگیری جمعی مورد مطالعه قرار گرفته است. به منظور اهداف این پژوهش، یک جعبه‌دنده یک مرحله‌ای طراحی و ساخته شده و در شرایط آزمایشگاهی در چهار وضعیت سلامت مختلف در شرایط کاری مختلف مورد آزمایش قرار گرفته است. در تمام حالات اندازه‌گیری، ارتعاشات در 6 نقطه ثبت شده است. برای داده‌های ثبت شده توسط هر حسگر یک طبقه‌بند ماشین بردار پشتیبان با کرنل خطی آموزش داده شده است و دقت تشخیص عیوب توسط داده‌های هر یک از حسگرها (به صورت جداگانه) استخراج و مقایسه شده است. سپس یک الگوریتم جدید ترکیب داده‌ها که ایده آن از الگوریتم جنگل تصادفی گرفته شده است، برای ترکیب داده‌های 6 مبدل توسعه داده شده است. نشان داده شده است که الگوریتم مرکب پیشنهادی دقت تشخیص بالاتری نسبت به طبقه‌بندهای ساخته شده برای هر یک از حسگرها دارد. همچنین روشی برای محاسبه سطح اطمینان تشخیص الگوریتم مرکب پیشنهادی نیز ارائه شده است. نشان داده شده است که الگوریتم مرکب پیشنهادی این قابلیت را دارد که با در دست داشتن داده‌های کمتر نیز می‌تواند برای هدف عیب‌یابی به کار رود. نشان داده شده است که در صورت استفاده از داده‌های تعداد کمتری از حسگرها، مطابق انتظار دقت و سطح اطمینان تشخیص‌های بدست آمده کاهش می‌یابد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Ensemble Learning based Model for Multi-Sensor Vibration Data Fusion in Gearbox Diagnosis

نویسندگان [English]

  • Hesam Addin Arghand 1
  • Amir Hossein Kheybarinejhad 2
1 Department of Mechanical Engineering, University of Zanjan, Zanjan, Iran
2 Master of Mechanical Engineering, Department of Mechanical Engineering, University of Zanjan, Zanjan, Iran
چکیده [English]

This study investigates recorded vibration signals from a laboratory gearbox to assess health condition and identify fault types, using a proposed ensemble-based machine learning algorithm. A single-stage gearbox was designed and tested in laboratory under four health states: no faults, root tooth crack, tooth breakage, and pitting on the tooth, across varying loads and speeds. Vibration measurements were recorded at six points (vertical, horizontal, and axial directions at input and output). A total of 792 signals (6 signals from 132 tests) were collected. For the data from each sensor, a Support Vector Machine (SVM) classifier with a linear kernel was trained, and fault detection accuracy was assessed and compared for each transducer individually. A new data fusion algorithm, inspired by Random Forest (RF), was developed to combine data from the six sensors. The results showed that the proposed ensemble algorithm provides higher detection accuracy than the individual classifiers for each sensor. In addition, a method is introduced to calculate the confidence level of the diagnoses from the proposed algorithm. It demonstrated that the ensemble algorithm can effectively diagnose faults with incomplete data (regardless of how many sensors are used from the total of six). As expected, using data from fewer sensors resulted in reduced accuracy and confidence levels for the detected fault.

کلیدواژه‌ها [English]

  • Vibration Condition Monitoring
  • Gearbox Diagnosis
  • Ensemble Machine Learning
  • Confidence Level
  • Sensor Fusion