دانشكده فني مهندسي

گروه مهندسي مکانیک

 جلسه دفاعیه پایان نامه جهت دريافت درجه كارشناسي ارشد در رشته مهندسي مکانیک گرایش طراحی کاربردی

عنوان:

مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در طبقه‌بندی عیوب به‌دست‌آمده از شبیه‌سازی و آنالیز تجربی در سیستم  تسمه و پولی

 

استاد راهنما:

دكتر مهدی کریمی

داوران:

دکتر علیرضا شوشتری

دکتر داود نادری

 

نگارش:

رامین فتحی

 

زمان: شنبه 20 بهمن ماه 94 ، ساعت 10 تا 12

مکان: سمینار

چكيده:

   در این پایان‌نامه، پایش وضعیت سیستم تسمه­ی V-شکل و پولی، با روش آنالیز ارتعاشی، موردبررسی قرارگرفته است. یک دستگاه آزمایشگاهی شامل تسمه­ی V-شکل و پولی مهیا شد. نرخ نمونه­برداری 10 کیلو نمونه بر ثانیه و در سرعت دورانی 690 دور بر دقیقه­ی دستگاه، انتخاب شده است. سیگنال­های ارتعاشی برای حالت سالم و انواع عیوب ناهم‌محوری با سه مقدار 2، 4 و 6 میلی­متر، خرابی تسمه، شل بودن تسمه، ترک­دار بودن پولی و ترکیبی از عیوب، از حسگر شتاب سنج، برداشته شده­اند. تحلیل حوزه­ی فرکانس با استخراج نمودارهای FFT برای هرکدام از عیوب ایجاد شده و ترکیب دوتایی عیوب، انجام شده است. با استخراج نمودارهای شتاب نرمالیزه برحسب شماره نمونه، و ویژگی­های آماری کورتوسیس، انحراف معیار، میزان انحراف، جذر میانگین مربعات و فاکتور تیزی برای همه­ی عیوب و ترکیب عیوب، تحلیل حوزه­ی زمان انجام گرفته است. برای بررسی بیش­تر و ارزیابی نتایج آزمایش، مدلی از سیستم تسمه­ی V-شکل و پولی مورد آزمایش، در حالت­های سالم و عیوب ناهم­محوری 2 میلی­متر، خرابی تسمه و ترک پولی،  در نرم­افزار سالیدورکس شبیه­سازی شد. این مدل کد طراحی شده، برای تحلیل هرکدام از حالت­ها، وارد نرم­افزار آدامز شده  و تحلیل دینامیکی برای چهار حالت ذکرشده‌ی مدل، انجام شده و نمودارهای FFT استخراج و با حالت آزمایش تجربی مقایسه شد. مشاهده شد که پیک­های به وجود آمده در آزمایش و نرم­افزار، در فرکانس­های برابری رخ داده‌اند. پس از آن از گشتاورهای آماری استخراج‌شده برای وضعیت­های سالم، ناهم­محوری 4 میلی­متر، خرابی تسمه، شل بودن تسمه و ترک پولی، به‌عنوان ویژگی عیوب، برای آموزش الگوریتم­های هوش مصنوعی، به کار گرفته شدند. چهار کد مختلف برای ماشین بردار پشتیبان، شبکه­ی عصبی پرسپترون چندلایه با دولایه پنهان، شبکه­ی عصبی پرسپترون چندلایه با یک لایه­ی پنهان و شبکه­ی عصبی K-نزدیک­ترین همسایه، برای تشخیص و طبقه­بندی عیوب در این پژوهش، نوشته شد. برای هر وضعیت سیستم 22 نمونه­برداری انجام گرفت که از 20 نمونه­ی این داده­ها گشتاورهای آماری ذکرشده استخراج گردید. بنابراین در کل یک ماتریس 100 6 به دست آمد که از 75 درصد این داده­ها برای آموزش و از 25 درصد دیگر برای تست الگوریتم­های طبقه­بندی استفاده شد. عملکرد هرکدام از طبقه­بندها با آزمودن مقادیر مختلف برای پارامترهای قابل‌تغییر در کدهای مربوط به آن­ها، بررسی شد. درنهایت مشاهده شد که الگوریتم ماشین بردار پشتیبان با تابع کرنل پایه شعاعی و مقدار پهنای تابع کرنل 211/4 و مقدار پارامتر C برابر 78 در تابع پایه­ی ماشین بردار پشتیبان، بهترین عملکرد را در طبقه­بندی داده­ها در 5 کلاس مختلف ذکرشده با درصد صحت 96، دارد.


واژه‌های کلیدی: آنالیز ارتعاشی ، تسمه‌ی V-شکل و پولی ، تحلیل سیگنال در حوزه فرکانس و زمان، شبیه‌سازی، تشخیص و طبقه‌بندی عیوب، شبکه‌ی عصبی پرسپترون چندلایه، K-نزدیک‌ترین همسایه، ماشین بردار پشتیبان

 

 

 

 

Abstract:

In this dissertation, condition monitoring of V-belt pulley drive using vibration analysis method, is investigated. A test rig containing V-belt pulley system was provided. Time-domain vibration signals are gathered from accelerometer sensor, with 10 ksps rate and 690 rpm of system angular velocity, for health an each failure condition of misalignment with 2, 4, and 6 mm ranges, belt defect, loose belt, and cracked pulley. Frequency-domain Analysis is done extracting FFT diagrams for each failure and dual combination of faliures conditions. By extraction of normalized acceleration vs sample number graphs, and statistical features of kurtosis, standard deviation, skewness, root mean square, and crest factor, for all conditions, the time-domain analysis was accomplished. For more consideration and evaluating the experimental results, four models of experimented system in four condition of health, 2 mm misalignment, belt defect, and cracked pulley, are modeled in solidworks software. These models are imported into adams software and dynamic analysis for four mentioned conditions is done and FFT diagrams are extracted and compared with experimental results. It is seen that the picks of graphs are begotten in experiment and simulation in same frequencies. Then, extracted statistical moments for health, 4 mm misalignment, belt defect, loose belt, and cracked pulley conditions are used as feature for training neural networks algorithms. Four different codes of support vector machine (SVM), multi-layer perceptron (MLP) neural network with one and two hidden layer and k-nearest neighbor (KNN) neural network have been write for diagnosis and classification of faults in this research. Thus a 6 100 matrix obtained that 75 percent of this matrix is used for training and the rest is used for testing the classification algorithms. By testing different values for changeable parameter of the written classifier codes, the performance of the classifiers are investigated. Finally, it’s illustrated that the SVM algorithm with radial basis kernel function, 4.211 for kernel function width and 78 for C parameter in basis function of SVM, had the best performance at classification of data in 5 different classes, with 96 accuracy percent

Key Words: Vibration Analysis, V-belt pulley, Signal Analysis in Time and Frequency Domains, Simulation, Faults Diagnosis and Classification, MLP Nural Network, K-Nearest Neghbor, Support Vector Machin

 

مشخصـات فـردي	نام خانوادگي: فتحی	نام : رامین
	تاريخ تولد:  01/04/1370	محل تولد: کامیاران			وضعيت جسماني: سالم
	آدرس الكترونيكي: raminfethi@gmail.com			تلفن همراه: 09184023234
	آدرس محل سکونت: کردستان-کامیاران-روستای پشاباد				تلفن:08735598213

 

 

	وضعيـت تحصيلـي
مقطع تحصيلي		رشته تحصيلي	شهر محل تحصيل	نام آموزشگاه/دانشگاه	از سال	تا سال	معدل	توضیحات
ديپلم		ریاضی و فیزیک	کردستان-سنندج	دبیرستان نمونه دولتی شیخ محمود شلتوت	84	88	38/18
کارشناسی		مهندسی مکانیک-جامدات	کرمانشاه	دانشگاه رازی	88	92	08/14
کارشناسی ارشد		مهندسی مکانیک-طراحی کاربردی	همدان	دانشگاه بوعلی سینا-روزانه	92	94	46/15

 

 

دوره‌‌ي كارآموزي
	عنوان كارآموزي	نام محل كارآموزي	تاريخ	مدت	نمره‌
	نگهداری و تعمیرات ماشین	مرکز تعمیرات ایران خودرو-کامیاران	1392	240	19