امین رنجبر - دانشجوی کارشناسی ارشد مکاترونیک، استادیار گروه برق مکاترونیک، استادیار گروه مهندسی کامپیوتر- دانشگاه صنعتی امیرکبیر
امیرابوالفضل صورتگر - دانشجوی کارشناسی ارشد مکاترونیک، استادیار گروه برق مکاترونیک، استادیار گروه مهندسی کامپیوتر- دانشگاه صنعتی امیرکبیر
سعید شیری قیداری - دانشجوی کارشناسی ارشد مکاترونیک، استادیار گروه برق مکاترونیک، استادیار گروه مهندسی کامپیوتر- دانشگاه صنعتی امیرکبیر

از دیدگاه کلاس بندی الگوها یک سیستم پایش وضعیت مناسب به سه بخش کلی تقسیم می شود: اکتساب داده،استخراج ویژگی و نهایتا کلاس بندی وضعیت . در این مقاله سعی شده است با تمرکز بر پایش وضیعیت مبتنی یرارتعاشات در ماشین های دوار به نتایج با قابلیت اطمینان بالاتری در فرایند تشخیص خطا برسیم. بدین منظور ییک روشکارآمد با هدف دستیابی به صحت بالاتر در کلاسه بندی خطاهای ممکنه در ماشین های دوار با استفاده از درختوارهتبدیل موجک گسسته و وشبکه های عصنی مصنوعی چند لایه پرسپترون ارائه می گردد. سیگنال های جمع آوری شدهتوسط حسگرها از سطح ماشین از نوع ارتعاشی می باشند که به دنبال آن فرآیند پیش پردازش شامل حذف نویز و سپساستخراج خصوصیت توسط تبدیل موجک روی آنها انجام می گیرد . مرحله استخراج خصوصیت شامل تفکیک سیگنالنمونه برداری شده به زیرباندهای خود و سپس استخراج ویژگی های آماری در طول بازه زیرباندها است . در پایان اینمرحله میزان جدایی پذیری نمونه ها نسبت به سیگنال های خام ورودی بررسی شوند. نهایتا ویژگی های بدست آمدهبرای هر نوع از خطا به کلاس های خطایی که تعلق دارند الحاق می شوندکه این کار توسط شبکه های عصبی مصنوعی ونوع متداول آن شبکه چند لایه پرسپترون صورت می گیرد .در خطاهای در نظر گرفته شده برای ماشین شامل پنج نوع ازخطاهای رایج در پمپ های صنعتی است که عنارتند از: 1- خرابی بدنه 2- کاویتاسیون 3- لقی اتصالات 4- عدم هم -محوری 5- عدم تعادل جرمی . در نهایت به منظور صحه گذاری با کمک داده های تست عملکرد روش مذکور بررسی می شود که نتایج حاصله نشان از موفقیت روش مورد نظر در تشخیص خطای ماشین دارند.

پمپ روغنی تشخیص خطا درختواره تفکیک موجک شبکه های مصنوعی ویژگی های آماری