یادگیری ماشین در خدمت پایداری صنعتی تحلیل و تشخیص عیب چرخ دنده با جنگل تصادفی

چکیده مقاله

در سالهای اخیر تشخیص عیب در ماشین آلات دوار به ویژه گیربکس ها به عنوان یکی از اجزای کلیدی انتقال توان، مورد توجه گسترده قرار گرفته است از آنجا که خرابی چرخ دنده ها می تواند منجر به توقف ناگهانی سیستم و خسارات اقتصادی سنگین شود، توسعه ی روش های کارآمد و دقیق برای شناسایی زودهنگام عیوب اهمیت دارد در این پژوهش با هدف افزایش دقت تشخیص و کاهش پدیده ی بیش برازش الگوریتم یادگیری جنگل تصادفی برای تشخیص عیب چرخ دنده های ماشین آلات دوار مورد استفاده قرار گرفته است داده های آزمایشی از طریق شبیه ساز تشخیصی پیشرانه ی توربین بادی تحت چهار شرایط کاری مختلف جمع آوری شدند در مرحله ی پیش پردازش ویژگی های حوزه ی زمانی شامل حداکثر، ریشه میانگین مربع، انحراف معیار، شاخص اوج و سایر شاخص های آماری از سیگنال های حسگر ارتعاش و گشتاور استخراج و به عنوان ورودی مدل به کار رفت مدل جنگل تصادفی با تعیین دو پارامتر بهینه ی تعداد درخت ها ۳۲۰ و اندازه ی زیرمجموعه ی ویژگی ها ۴ آموزش داده شد و عملکرد آن با روش ماشین بردار پشتیبان SVM مقایسه گردید نتایج نشان داد که الگوریتم جنگل تصادفی به دقت کلی ۹۸ ۸ در تشخیص سه نوع عیب ترک ریشه، دندان از دست رفته و دندانه شکسته دست یافته و نسبت به SVM عملکرد بهتری از نظر دقت و پایداری دارد این روش ضمن سادگی در فرایند آموزش توانایی بالایی در پردازش داده های حجیم و شناسایی انواع مختلف خطا ارائه می دهد

کلیدواژه‌ها

نویسندگان

معصومه رئیس زاده

دانشجوی دکتری دانشکده مهندسی صنایع واحد نجف آباد دانشگاه آزاد اسلامی نجف آباد ایران

محمد رضا فیلی زاده

دانشیار گروه مهندسی صنایع واحد شیراز، دانشگاه آزاد اسلامی شیراز، شیراز، ایران

محمدرضا مظفری

استاد گروه ریاضی واحد شیراز دانشگاه آزاد اسلامی، شیراز، ایران

جواد گرامی

دانشیار گروه ریاضی واحد شیراز دانشگاه آزاد اسلامی، شیراز، ایران

�ئیس زاده، معصومه و فیلی زاده، محمد رضا و مظفری، محمدرضا و گرامی، جواد،1404،یادگیری ماشین در خدمت پایداری صنعتی تحلیل و تشخیص عیب چرخ دنده با جنگل تصادفی،کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال،یزد

ارائه‌شده در

مجموعه مقالات کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال21 آبان 1404 · یزد