رامین فتحی
رامین فتحی
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 رزومه 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